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
- Tez No: 650510
- Danışmanlar: DR. ÖĞR. ÜYESİ MUSTAFA GÖKÇE BAYDOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- Investigation of financial applications with blockchain technology
Blockchaın teknolojsı ıle fınansal uygulamaların incelenmesi
MOHAMMED ALI MOHAMMED MOHAMMED
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FUAT TÜRK
- Makine öğrenmesi kullanarak Türkiye'de elektrikli araç şarj istasyonlarının potansiyel kullanım performansının mekânsal tahmini
Spatial estimation of potential utilization performance of electric vehicle charging stations in Türkiye using machine learning methods
SERKAN TANRIVERDİ
Yüksek Lisans
Türkçe
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ADALET DERVİŞOĞLU
- A comparative analysis of LSTM and lıghtgbm models in short-term electricity load forecasting: a case study from türkiye
Kısa dönemli yük tahmininde LSTM ve lightgbm modellerinin karşılaştırmalı analizi: Türkiye'den bir vaka çalışması
MUHAMMET FURKAN BAYSAL
Yüksek Lisans
İngilizce
2025
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN
- 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
2024
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. MERVE CENGİZ TOKLU
- 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
2024
İşletmeİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ