Geri Dön

Forecasting with a large number of predictors: A tree based moving average approach

Çok sayıda bağımsız değişken ile zaman serisi tahminine karar ağacı temelli hareketli ortalama yaklaşımı

  1. Tez No: 650510
  2. Yazar: BURAKHAN SEL
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MUSTAFA GÖKÇE BAYDOĞAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 65

Özet

Çok sayıda bağımsız değişken, zaman serisi tahmin problemlerine değerli bilgiler sağlamanın yanında bu bilgilerin kavranması açısından zorluklar getirmektedir. Kısa vadeli elektrik yükü tahmin problemleri, hava koşullarından, özel günlerden ve haftanın günü gibi zamana bağlı birçok değişkenden etkilenmektedir. Çok sayıda bağımsız değişken ile tahmin yapmak, gereksiz değişkenlerin varlığı ve modelin veriye aşırı uyum sağlaması gibi konular dolayısıyla sorun yaratabilmektedir. Bu sorunları çözmek için, bu çalışma noktasal ve olasılıklı tahminler yapabilen ve aynı zamanda otomatik bir değişken üretme yöntemi olarak da çalışabilen yeni bir ağaç temelli topluluk modeli önermektedir. Önerilen model, ağaç tabanlı bir topluluk modeli olmanın avantajı olarak, çok sayıda bağımsız değişkene karşı toleranslıdır ve karmaşık bir parametre ayarlama işlemi gerektirmez. Önerilen modelin mevcut ağaç temelli topluluk modellerinden ayırt edici özelliği, zaman serisi verilerindeki otokorelasyonu modele entegre edilmiş hareketli ortalama modeliyle kavrayabilmesi ve diğer tahmin modelleri için yararlı değişkenler üretebilmesidir. Türkiye'nin saatlik elektrik yükü verisi üzerindeki kapsamlı deneylerimiz, önerilen model tarafından üretilen değişkenlerin, tek başına veya eski değişkenlerle birlikte kullanıldığında tahmin modellerinin doğruluğunu önemli ölçüde artırdığını göstermektedir. Ayrıca, önerilen yaklaşım noktasal ve olasılıklı tahminler yapma konusunda karşılaştırılan modellere kıyasla rekabetçi sonuçlar vermektedir.

Özet (Çeviri)

A large number of predictors brings valuable information to time series forecasting problems, as well as difficulty in capturing this information. Short-term electricity load forecasting (STLF) problems are examples of such problems with many predictors, including several temperature values from different regions, a large number of special days, and multiple time-related variables. In such cases, forecasting with many predictors can be problematic in terms of robustness to redundant predictors, tendency to overfit, and the curse of dimensionality. To resolve these problems, this study proposes a novel tree-based ensemble model, tree-based moving average (TBMA), that provides point and probabilistic forecasts and works as an automated feature extraction method. The proposed model deals with a large number of predictors without sacrificing accuracy and does not require a complicated parameter tuning process as the advantages of being a tree-based ensemble model. The distinctive feature of the proposed model from existing tree-based ensemble models is that the suggested model considers the autocorrelation in time series data with the integrated moving average model and extracts useful features. Our comprehensive experiments show that boosting approaches provide significantly better results when features from TBMA are introduced. The proposed approach also provides competitive results compared to benchmark models in point and probabilistic forecasting of Turkey's electricity load.

Benzer Tezler

  1. Investigation of financial applications with blockchain technology

    Blockchaın teknolojsı ıle fınansal uygulamaların incelenmesi

    MOHAMMED ALI MOHAMMED MOHAMMED

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin Üniversitesi

    Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ FUAT TÜRK

  2. Yapay sinir ağları ve makine öğrenmesi ile otomobil satış tahmininin yapılması ve zaman serileri analizi ile karşılaştırılması

    Forecasting automobile sales using artificial neural networks and machine learning and comparison with time series analysis

    BEYZA KURTGERİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MERVE CENGİZ TOKLU

  3. Perakende hazır giyim firmasında makine öğrenmesi yöntemleriyle satış tahmini

    Sales forecasting in a retail fashion company using machine learning methods

    ŞEYMA GÖNEN HALICI

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    İşletmeİstanbul Teknik Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. FERHAN ÇEBİ

  4. Perinatal dönemdeki psikiyatrik hastalık belirtilerinin yapay zeka tabanlı büyük veri işleme platformu ile belirlenmesi

    Detection of psychiatric disease symptoms in the perinatal period with an ai-based big data processing platform

    NUR BANU OĞUR

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. CELAL ÇEKEN

  5. Markov zincirleri ile pazar payı tahmini ve renkli televizyon pazarına ilişkin bir uygulama

    Market share estimation of colored TV with markov chains for the period of 1990-1995

    BÜLENT MENGÜÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    1990

    İşletmeİstanbul Teknik Üniversitesi

    DOÇ.DR. SELİME SEZGİN