Yeni bir evrişimsel sinir ağı modeli ile zaman serisi öngörüsü
Time series prediction with a new convolutional neural network model
- Tez No: 682717
- Danışmanlar: DOÇ. DR. ÖZGE CAĞCAĞ YOLCU
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Giresun Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 58
Özet
Zaman serisi tahmini, birçok bilimsel alanda, her zaman çekici bir konu olmuştur. Özellikle finansal zaman serileri tahmini, geniş uygulama alanları ve onlar üzerine olan önemli etkisi nedeniyle oldukça çekici bir konu haline gelmiştir. Bu doğrultuda, finansal zaman serisi tahmini için evrişimsel sinir ağları (ESA (CNN)) gibi çeşitli hesaplamalı zekâ teknikleri kullanılmaktadır. Ancak şimdiye kadar bildirilen bu çalışmalarda, finansal zaman serilerinin tahmininde ESA (CNN) nadiren tercih edilmiştir. Ve hemen hemen tüm çalışmalarda, zaman serilerinin zaman dizisi etkisi, görüntü dönüşümü nedeniyle tahminler üzerinde korunmamaktadır. Bu noktadan hareketle bu tez kapsamında yeni bir ESA (CNN) tahmin modeli tanıtılarak, görüntü dönüştürme sürecinde oluşabilecek bilgi kayıplarının önüne geçilmesi ve zaman serilerinin tahmin üzerine olan özelliklerinin başarılı bir şekilde ortaya çıkarılması amaçlanmaktadır. Önerilen ESA (CNN) tahmin modeli, üç evrişim katmanı ve beş tam bağlantılı katmandan oluşmaktadır, ayrıca girdiler ve çıktılar arasındaki doğrusal olmayan ilişkileri belirlemek için Relu ve Elu aktivasyon fonksiyonları tercih edilmiştir. Önerilen sistemin performansını değerlendirmek için model, finansal zaman serileri literatüründe sıklıkla kullanılan Tayvan Menkul Kıymetler Borsası Kapitalizasyon Ağırlıklı Hisse Senedi Endeksi (TAIEX) ve Londra borsa verilerine uygulanmıştır. Sonuçlar, hata kriteri, regresyon analizi ve ayrıca görsel gösterim olmak üzere farklı açılardan değerlendirilmiştir. Önerilen modelinin üstün tahmin performansı, elde edilen sonuçların farklı yapay sinir ağları, uzun kısa dönem hafıza, bulanık tabanlı yaklaşımlar ve bazı geleneksel yöntemler gibi son teknoloji tahmin araçlarıyla karşılaştırılmasıyla gözlemlenmiştir.
Özet (Çeviri)
Time series forecasting has always been an attractive issue in the most scientific area. In particular financial time series forecasting has become quite attractive topics owing to its broad implementation areas and substantial impact. Therefore, various types of computational intelligence techniques such as convolutional neural networks (CNNs) have been used for financial time series forecasting. However, in these studies reported so far, CNNs have been rarely preferred for the forecasting of financial time series. And almost all-studies time sequence effect of time series is not preserved on forecasts because of image transformation. From this point of view, within the scope of this thesis, by introducing a new CNN prediction model, it is aimed to prevent information loss that may occur in the image transformation process and to successfully reveal the properties of time series. The proposed CNN forecasting model consists of three convolutional layers and five fully connected layers, also Relu and Elu activation functions have been preferred to determine the nonlinear relations between inputs and outputs. In order to evaluate the performance of the proposed system, the model has been applied to Taiwan Stock Exchange Capitalization Weighted Stock Index (TAIEX) and London stock market data, which are frequently used in financial time series literature. The results have been evaluated on different aspects as an error criterion, a regression analyses and also a visual demonstration. Outstanding forecasting performance of the proposed CNN model has been observed by comparing the obtained results with some state-of-the-art forecasting tools such as different kinds of Artificial Neural Networks (ANN), Long Short-Term Memory (LSTM), fuzzybased approaches, and some traditional methods.
Benzer Tezler
- Derin öğrenme ile cerrahi video anlama
Surgical video understanding with deep learning
ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU SARIKAYA
- Covid-19 ilişkili insani gelişim seviyesinin sınıflandırılması için yeni bir derin evrişimsel sinir ağı modeli
A new deep concolutional neural network model for classification of Covid-19 related human development level
ŞEYMA GÖKHAN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CELALEDDİN YEROĞLU
DR. ÖĞR. ÜYESİ GÜRKAN KAVURAN
- Novel fractional order calculus-based audio processing methods and their applications on neural networks for classification and synthesis problems
Kesirli mertebeden kalkülüs temelli yeni ses işleme yöntemleri ve bunların sinir ağları üzerinde sınıflandırma ve sentez problemlerine uygulanması
BİLGİ GÖRKEM YAZGAÇ
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜRVET KIRCI
- Homojen ve heterojen evrimsel sosyal ağlarda bağlantı tahmini
Link prediction in evolving homogeneous and heterogeneous networks
ALPER ÖZCAN
Doktora
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ
- Character-level dilated deep neural networks for web attack detection
Ağ yöresi saldırılarının belirlenmesi için karakter düzeyinde seyreltilmiş derin sinir ağları
NAZANIN MOARREF
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MEHMET TAHİR SANDIKKAYA