Geri Dön

Zaman serisi öngörüsü için yapay sinir ağlarına dayalı yeni bir bulanık fonksiyon yaklaşımı

A new fuzzy function approach based on artificial neural networks for time series forecasting

PDF İndir

  1. Tez No: 825205
  2. Yazar: MEHMET RACİ AKTOPRAK
  3. Danışmanlar: DOÇ. DR. ÖZGE CAĞCAĞ YOLCU
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Marmara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: İstatistik Bilim Dalı
  13. Sayfa Sayısı: 48

Özet

Zaman serisi tahmin problemi, birçok alanda karar vericilerin karşılaştığı bir problemdir. İlgili sektör veya alanlarda gelecekte neler ile karşılaşılabileceği, belirlenen strateji ve politikaların ne gibi sonuçlara yol açabileceği gibi sorulara cevap bulmada önemli rol oynayan tahminleri elde etmek için farklı modeller geliştirilmiştir. Geleneksel modeller birçok alanda yaygın olarak kullanılmakla birlikte, gerektirdikleri katı varsayımların yol açtığı dezavantajları aşmak için farklı yaklaşım ve modeller de ortaya konulmuştur. Zaman serisi problemlerinde bulanık tabanlı modeller, belirsizliklere yaklaşımları sayesinde üstün performans gösterirken, hesaplama tabanlı modeller, doğrusal olmayan modellere yüksek adaptasyon kabiliyeti sayesinde üstün performans göstermektedir. Zaman serileri çok sayıda ve kaotik ilişkilerden oluşabileceğinden doğru tahminlere ulaşmak oldukça zor bir iştir. Bulanık Regresyon Fonksiyonları (FRF) yaklaşımı, girdilerin bir dizi doğrusal fonksiyonunun bir kombinasyonu olan bütünsel bir model oluşturur. Ancak, girdi ve çıktı arasındaki ilişki her zaman doğrusal olmayabilir. Bu yüksek lisans tezinde yeni bir FRF yaklaşımı önerilmektedir. Hem hesaplamalı hem de bulanık tabanlı modellerin avantajlarına sahip, sinir ağlarına dayalı doğrusal olmayan yapıda bulanık regresyon fonksiyonları oluşturularak literatürdeki bazı boşlukların doldurulması amaçlanmaktadır. Önerilen tahmin aracı, Bulanık C-Ortalamalar (FCM) kümeleme algoritması aracılığıyla, zaman serilerinin reel gözlemlerini bulanıklaştırarak üyelikleri üretmektedir. Reel değerli zaman serisinin gecikmeli gözlemlerinden ve bu üyelik değerlerinin bazı dönüşümlerinden girdiler üretilir. Bulanık küme sayısına eşit sayıda ileri beslemeli sinir ağı, girdilerin doğrusal olmayan fonksiyonu olarak çıktıları üretir. Bu çıktılar, ilgili zaman noktasının ilgili bulanık kümelere ait olma derecesini temsil eden üyelik değerleri ile birleştirilerek nihai çıktılara dönüştürülür. Önerilen model Bulanık Regresyon Ağ Fonksiyonları (FRNF) olarak adlandırılabilinir. Önerilen FRNF'in performansı bazı kriterler açısından, farklı gerçek hayat zaman serilerine uygulanarak ortaya konmuştur.

Özet (Çeviri)

The time series forecasting problem is a problem faced by decision makers in many fields. Different models have been developed to obtain predictions that play an important role in finding answers to questions such as what may be encountered in the future in the relevant sector or fields, what results the determined strategies and policies may lead to. Although traditional models are widely used in many fields, different approaches and models have also been put forward to overcome the disadvantages caused by the strict assumptions they require. In time series problems, fuzzy-based models show superior performance due to their approach to uncertainty, while computation-based models show superior performance thanks to their high adaptability to nonlinear patterns. It is a challenging task to achieve accurate predictions as time series can consist of a variety and chaotic relationships. Fuzzy Regression Functions (FRF) approach creates a holistic model that is a combination of a series of linear function of inputs. However, the relationship between input and output may not always be just linear. In this study, a new FRF approach is proposed. It is aimed to fill all these gaps by creating fuzzy regression functions with nonlinear structure based on neural networks, having the advantages of both computational and fuzzy based models. The proposed prediction tool, via Fuzzy C-Means (FCM) clustering algorithm, produces the memberships by fuzzifying the actual observations of the time series. From a lagged observations of real time series and some transformation of these membership values, the inputs are generated. A number of feed-forward neural networks, in equal to the number of fuzzy sets, produce outputs as nonlinear function of the inputs. These outputs are converted the final outputs by combining in the direction of membership values representing the degree to which the relevant time point belongs to the relevant fuzzy sets. The proposed model can be called as Fuzzy Regression Network Functions (FRNF). The performance of FRNFs, in terms of some criteria, is put forward by applied it to different real-world time series.

Benzer Tezler

  1. Tez No

    827860

    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

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    PROF. DR. MUHAMMET ALİ AKCAYOL

  2. Tez No

    872173

    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

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ÖZGE CAĞCAĞ YOLCU

  3. Tez No

    750400

    Döviz kurunu belirleyen değişkenlerin konvansiyonel zaman serisi ve yapay sinir ağlarına dayalı melez bir yöntem ile analizi

    Analysis of variables determining the exchange rate with a hybrid method based on conventional time series and artificial neural networks

    ERSİN SÜNBÜL

    Doktora

    Türkçe

    Türkçe

    2022

    EkonomiAnkara Hacı Bayram Veli Üniversitesi

    Uluslararası Ticaret Ana Bilim Dalı

    PROF. DR. YASEMİN BENLİ

  4. Tez No

    529061

    Yapay arı kolonisi algoritması ile Kayseri ve civarı elektrik tüketim verilerinin analizi

    Electricity consumption data analysis of Kayseri and vicinity using artificial bee colony algorithm (ENG)

    GÜLÇİN ÖZLÜ

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. CELAL ÖZTÜRK

  5. Tez No

    484305

    Zaman serisi öngörüsü için AR-ARCH tipli yapay sinir ağları

    AR-ARCH type neural networks for forcasting time series

    BURÇİN ŞEYDA ÇORBA

    Doktora

    Türkçe

    Türkçe

    2017

    İstatistikOndokuz Mayıs Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. EROL EĞRİOĞLU

Geri Dön