Zaman serisi öngörüsü için derin sinir ağlarına dayalı yaklaşımlar
Based on deep neural networks for time series prediction approaches
- Tez No: 825192
- Danışmanlar: DOÇ. DR. ÖZGE CAĞCAĞ YOLCU
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 50
Özet
Finansal zaman serisi tahmini, akademik finans araştırmacıları ve finans sektöründeki profesyoneller için kaçınılmaz ancak zorlu bir konudur. Geniş uygulama alanlarına sahip olması ve karar verme süreçleri üzerinde önemli bir etkisi olması nedeniyle, doğru ve güvenilir tahmin sonuçları elde etmek son derece önemlidir. Bu bakımdan, hesaplama temelli modellerin başarısı son zamanlarda dikkat çekmiştir. Geleneksel zaman serisi yöntemlerine kıyasla daha iyi öngörü sonuçları üretmeleri, özellikle makine ve derin öğrenmeye dayalı algoritmaları daha cazip hale getirmiştir. Finansal zaman serisi öngörü modellerinin geliştirilmesine yönelik artan bir ilgi olmasına rağmen, çoğu mevcut çalışma, kullanılan yaklaşımın doğası gereği, yalnızca doğrusal olmayan ilişkileri dikkate almaktadır. Ayrıca, çoğu zaman serisi yönteminde, tüm gecikmiş değişkenler modele dahil edilmektedir. Bununla birlikte bazı gecikmeli değişkenlerin yüksek dereceli modellerin performanslarına önemli ölçüde katkısı söz konusu iken bazılarının etkileri önemsiz bir derecede olabilir. Sonuç olarak, model performansına önemli derecede katkıda bulunmayacak gecikmeli değişkenler işlemlerin karmaşıklığı ve yakınsama süresini artmaktadır. Bu sorunları çözmek için, bu çalışmada belirlenen dereceye kadar bütün gecikmeli değişkenlerin modelde bulunduğu yüksek dereceli bir öngörü modeli yerine kısmi yüksek dereceli derin basamaklı bir öngörü modeli önerilmektedir. Önerilen modelde, model derecesini belirleyen girdiler genetik algoritma (GA) aracılığıyla bir optimizasyon sürecinde belirlenir. Model girdileri ile hedefler arasındaki mevcut ilişkiler, hem doğrusal hem de doğrusal olmayan yapıları modelleyebilen, derin basamaklı-ileri beslemeli sinir ağı (D-CFNN) ile belirlenir. Önerilen model, bazı finansal zaman serilerine uygulanmış ve önerilen modelin performansı bazı en son teknoloji modellerle karşılaştırmalı olarak değerlendirilmiştir. Önerilen modelin, her bir zaman serisi veri seti için benzerlerinden önemli ölçüde daha iyi performans gösterdiği gözlemlenmiştir.
Özet (Çeviri)
Time series forecasting is undoubtedly an essential but challenging issue for researchers in academia and in various industries. Producing better forecasting results than the conventional time series methods makes computational-based methods, especially machine, and deep learning-based algorithms, more attractive and successful. Most of the current computational-based studies just consider the nonlinear relationships due to the nature of the used approach and also use all consecutive lagged variables in a high-order model. However, some lagged variables do not significantly contribute to the performance of high-order models. In this study, it is aimed to solve these two fundamental problems. For this purpose, instead of a pure high-order model that can only model linear or nonlinear relationships, a deep partial high-order forecasting model which is capable of modeling both linear and nonlinear relationships together is proposed. The proposed model is called a partial high-order deep-cascaded forecasting model. In the proposed model, the inputs that determine the model order are selected through a genetic algorithm (GA). The existing relationships between model inputs and targets are specified by a deep cascade-forward neural network (D-CFNN) that can model relationships having both linear and nonlinear structures. The suggested model was applied to various time series, and the performance of the proposed model was comparatively evaluated with some state-of-the-art models. It was seen that the proposed model significantly outperforms its counterparts for each time series data set.
Benzer Tezler
- Bulanık küme ve derin sinir ağlarına dayalı zaman serisi öngörüsü: Bulanık uzun-kısa vadeli bellek fonksiyonları
Time series prediction based on fuzzy set and deep neural networks: Fuzzy long-short term memory functions
NUREFŞAN KALENDER
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZGE CAĞCAĞ YOLCU
- 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
- Uzun kısa-süreli hafıza derin yapay sinir ağı ile giresun ili minimum sıcaklık öngörüsü
Minimum weather temperature forecasting of giresun province using long short-term memory deep artificial neural network
ONUR DERYA
Yüksek Lisans
Türkçe
2021
İstatistikGiresun Üniversitesiİstatistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALİ ZAFER DALAR
- Developing a novel artificial intelligence based method for diagnosing chronic obstructive pulmonary disease
Kronik obstrüktif akciğer hastalığı teşhisi için yapay zeka tabanlı yeni bir yöntem geliştirilmesi
İNANÇ MORAN
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DENİZ TURGAY ALTILAR
- Investigating effects of better soil moisture initialization on forecasting capability with WRF model
Başlangıç koşullarında daha iyi toprak nemi kullanılmasının WRF modeli ile tahmin kapasitesi üzerindeki etkilerinin incelenmesi
ŞULE HALİLOĞLU
Yüksek Lisans
İngilizce
2023
Meteorolojiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
DOÇ. DR. BARIŞ ÖNOL
DOÇ. DR. MERAL DEMİRTAŞ