Zaman serileri tahminleme algoritmalarının karşılaştırmalı uygulaması
Comparative implementation of time series forecasting algorithms
- Tez No: 798480
- Danışmanlar: DOÇ. DR. DERYA YILTAŞ KAPLAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Computer Engineering and Computer Science and Control, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 83
Özet
Günümüzde dijital dönüşümün hızla yaygınlaşması ile işlenen verilerin boyutları ve hacimleri de bununla birlikte artmış ve büyük veri kavramı adıyla ayrı bir çalışma alanı oluşmuştur. Bu alanda yapılan çalışmaların en önemli amaçlarından birisi eldeki verileri işlemek, veriden doğruluğu yüksek analizleri kısa sürede ve daha az kaynak kullanarak elde etmektir. Makine öğrenmesi ve derin öğrenme yapay sinir ağlarını ve veri işleme algoritmalarını kapsayan yapay zekânın bu amaçla kullanılan yöntemlerindendir. Bilgisayarların veri işleme kapasiteleri arttıkça ve maliyetleri düştükçe, makine öğrenmesi yöntemleri de yerini daha etkili sonuçlar veren derin öğrenme yöntemlerine bırakmaya başlamıştır. Makine öğrenmesi ve derin öğrenme kullanılarak yapılan analizlerin en önemlilerinden birisi de zaman serileri tahminlemesidir. Zamana göre sıralanan veri noktaları veya sıralı ve zaman içinde eşit aralıklı noktalar zaman serileri olarak bilinir. Bu çalışmada dokuz yılık müşteri kontör tüketim verileri üzerinde makine öğrenmesi tekniklerinden, SARIMA (Seasonal Autoregressive Integrated Moving Average), ARIMA (Autoregressive Integrated Moving Average), Prophet, XGBoost, derin öğrenme tekniklerinden ise LSTM (Long-Short Time Memory), RNN (Recurrent Neural Network), GRU (Gated Recurrent Unit) kullanılarak kontör tüketim tahminlemesi yapılmıştır. Ayrıca RNN, LSTM ve GRU modellerinden hibrit modeller oluşturulmuştur. Bu modellerin performans analizleri yapılmış ve karşılaştırılmıştır. Performans ölçüm metrikleri olarak MAE (Ortalama Mutlak Hata), MAPE (Ortalama Mutlak Yüzde Hata), MSE (Ortalama Kare Hata) ve R^2 Skoru kullanılmıştır. Elde edilen ölçüm sonuçlarına göre zaman serileri tahminlemesinde derin öğrenme tekniklerinin makine öğrenmesi yöntemlerine göre daha iyi sonuçlar verdiği gözlemlenmiştir.
Özet (Çeviri)
Today, with the rapid spread of digital transformation, volumes of the processed data have increased and a separate field of study has emerged as big data concept. One of the most important purposes of the studies in this field is to process the data and obtain the correct analysis from the data in a short time and using fewer resources. Machine learning and deep learning methods are sub methods of artificial intelligence, which includes statistical methods, artificial neural networks and data processing algorithms, used for this purpose. As the data processing and capacity of computers increase, deep learning methods start to give more effective results than machine learning methods. One of the most important analyzes performed by using machine learning and deep learning is time series forecasting. Data points ordered by time or points that are ordered and evenly spaced in time are known as time series. In this thesis, machine learning and deep learning techniques such as SARIMA (Seasonal Autoregressive Integrated Moving Average), ARIMA (Autoregressive Integrated Moving Average), Prophet, XGBoost, LSTM (Long-Short Time Memory), RNN (Recurrent Neural Network), GRU (Gated Recurrent Unit) were used to make a credit consumption forecasting on the five-year customer credit consumption data of a technology company. Also, three hybrid models were implemented by using RNN, LSTM and GRU. Performance analyzes of these techniques are compared, MSE (Mean Squared Error), MAPE (Mean Absolute Percentage Error), R^2 score and MAE (Mean Absolute Error) were used as performance measurement metrics. According to models results of this study, it has been clearly observed that deep learning techniques give better results than machine learning methods in time series forecasting.
Benzer Tezler
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini
Forecasting the spread of covid-19 using deep learning and big data analytics methods
CYLAS KIGANDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL
- Farklı hisse senedi piyasalarında işlem gören hisse senedi getirilerinin oynaklığının tahminlenmesi ve oynaklık modellerinin öngörümleme performanslarının karşılaştırılması
The prediction of volatility of stock returns in different stock markets and comparison forecasting performances of volatility models
EMRAH GÜLAY
Doktora
Türkçe
2013
EkonometriDokuz Eylül ÜniversitesiEkonometri Ana Bilim Dalı
YRD. DOÇ. DR. HAMDİ EMEÇ
- Finansal zaman serileri için makine öğrenmesi teknikleri ile trend tahmini
Trend forecasting with machine learning techniques for financial time series
NUH YURDUSEVEN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOSTİM TEKNİK ÜNİVERSİTESİYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET ANIL MÜNGEN
- Makine öğrenmesi algoritmaları ile borsa verilerinin tahminlenmesi
Prediction of stock market data with machine learning algorithms
DİLARA ELİZE PAMUKÇU
Yüksek Lisans
Türkçe
2023
Mühendislik BilimleriİZMİR BAKIRÇAY ÜNİVERSİTESİAkıllı Sistemler Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONUR UĞURLU