Geri Dön

Price forecasting with deep learning in business to consumer markets

İşletmeden tüketiciye piyasalarinda derin öğrenme ile fiyat tahmini

  1. Tez No: 776525
  2. Yazar: EMRE EĞRİBOZ
  3. Danışmanlar: DOÇ. DR. MEHMET SIDDIK AKTAŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 85

Özet

Fiyat tahminleme, piyasalarda satışa tabi bir ürün veya hizmetin mali olarak belirlenen değerini yaklaşık olarak kestirmektir. Probleme bağlı olarak farklı zaman çözünürlüklerinde ele alınan fiyat tahminleme, kısa, orta ve uzun vadedeki gelecek zamanlar için yapılabilir. Ayrıca fiyat tahminleme, fazla sayıda araştırmacı ve işletme tarafından çeşitli piyasalar için akademik veya profesyonel çalışmalar yürütülen zorlayıcı, önemli ve temel bir problemdir. Farklı piyasalarda fiyat tahmini için yapılan literatüre geçmiş çalışmalar çeşitli geleneksel yöntemler ve derin öğrenme yöntemleri kullanır. Bu çalışmalarda, araştırmacılar tahmin yapabilmek için yöntem fark etmeksizin tarihsel verilerinden faydalanarak tahminleyici modeller oluştururlar. Çalışmamızda, tarihsel verileri kullanarak derin öğrenme temelli yöntemlerle fiyat indeksi tahminlemesi yapmak için veri toplama ve veri işleme iş akışlarını içeren bir metodoloji önermekteyiz. Önerdiğimiz metodolojiyi, veri toplama ve ileri analitik uygulamaları hazırlayarak gerçeklemekteyiz. İş akışlarımızı, işletmeden tüketiciye piyasalarının bir örneği olan havayolu yolcu taşımacılığı sektöründe işletmeler tarafından tüketicilere pazarlanan uçak bileti fiyatlarını kullanacak şekilde çalıştırmaktayız. Veri toplama uygulamasında farklı havayolu işletmecisi firmaların bilet fiyatı verilerini günlük periyotta ağ kazıyıcı ile belirli bir süre topladık. Veri işleme uygulamasında toplanan zaman serisi verileri önişleme adımında tekilleştirdik, eksiklerini tamamladık ve fiyat indeksi oluşturduk; daha sonra matematiksel yöntemlerle teknik indikatörleri hesapladık; gürültüleri giderdik; çeşitli otokodlayıcılar ile derin öznitelikleri çıkardık; ardından bir derin öğrenme ağı ile fiyat tahminleme modelleri ürettik; sonunda, gürültü gidermenin, otokodlayıcı tiplerinin ve teknik indikatörlerin performansa olan etkilerini, üretilen modelleri test ederek ölçtük. Yaptığımız deneyler, B2C piyasasında gürültüsü giderilmiş zaman serisi verilerden otokodlayıcılarla üretilmiş derin özniteliklerin ve teknik indikatörlerin fiyat tahminleme için kullanılmasının umut verici sonuçlar ürettiğini gösterir.

Özet (Çeviri)

Price forecasting is an approximation of the financially determined value of a product or service subject for sale in markets. Depending on the problem, price forecasting, which is at different time resolutions, can be made for future times in the short, medium, and long terms. In addition, price forecasting is a challenging, important, and fundamental problem for which academic or professional studies are carried out for various markets by lots of researchers and businesses. Previous studies in the literature for price forecasting in different markets use various traditional and deep learning methods. Researchers create forecaster models to forecast by using historical data regardless of the method in these works. In our study, we propose a methodology that includes data collection and data processing pipelines for price index forecasting using historical data and deep learning-based methods. We implement the proposed methodology by developing data collection and advanced analytical applications. We run our pipelines using airline ticket prices marketed to consumers by businesses in the airline passenger transport industry, which is an example of a business-to-consumer (B2C) market. In the data collection application, we collected the ticket price data of different airline companies daily for a while with a web scraper. In the data processing application, we deduplicated the collected time series data, imputed missing days, and created a price index in the preprocessing step; then we calculated technical indicators using mathematical methods; we removed noises; we extracted deep features with various autoencoders; then we generated price forecasting models with a deep learning network; in the end, we measured the effects of noise reduction, autoencoder types and technical indicators on performance by testing the produced models. Our experiments show that the use of deep features generated by autoencoders and technical indicators for price forecasting using denoised time series data in the B2C market produces promising results.

Benzer Tezler

  1. Yapay zekâ yöntemleri kullanılarak perakende satış sektöründe ürün talep tahmini

    Artificial intelligence methods of using the sale of retail industry product demand forecast

    GAMZE AYYILDIZ DOĞANSOY

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET ACI

  2. Makine öğrenmesi yardımıyla zincir restoran gıda satışlarının tahmin edilmesi ve hava durumunun etkisinin incelenmesi

    Forecasting food sales on chain restaurant and investigating weather effect on sales by using machine learning methods

    SEZGİ ŞENER

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BAŞAR ÖZTAYŞİ

  3. Short term electricity load forecasting with deep learning

    Derin öğrenme ile kısa dönemli elektrik yük talep tahmini

    İBRAHİM YAZICI

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  4. Zaman serileri tahmininde tekrarlayan sinir ağlarının etkinliğinin incelenmesi

    Investigation of the effectiveness of recurrent neural networks in the time series prediction

    KÜBRA KESKİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    EkonometriSüleyman Demirel Üniversitesi

    Ekonometri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZGE GÜNDOĞDU

  5. Essays on electricity price modeling and forecasting

    Elektrik fiyatlarının modellenmesi ve tahmini üzerine makaleler

    UMUT UĞURLU

    Doktora

    İngilizce

    İngilizce

    2019

    İşletmeİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. OKTAY TAŞ