Meta-Learning for time series forecasting
Zaman serilerinde öngörümleme için meta öğrenme
- Tez No: 833447
- Danışmanlar: DOÇ. DR. İDİL YAVUZ
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 53
Özet
Doğru tahmin hem bireyler hem de kurumlar açısından ve bilimin her alanında oldukça önemli olduğundan literatürde pek çok çalışma bulunmaktadır. Ancak şu anda iki ana yöntem öne çıkıyor; Üstel Düzeltme (ES) ve Box-Jenkins ARIMA. Bu iki ana yöntemi karşılaştırdığımızda ES oldukça basittir ancak ARIMA karmaşık ve zordur. Ancak ES yöntemini popüler hale getiren temel neden performans tahmininde kanıtlanmış başarısıdır. ES yönteminin popülaritesine rağmen başlangıç değer problemi gibi hala çözülmemiş problemler bulunmaktadır. Yakın zamana kadar bu iki temel yönteme alternatif bir yöntem geliştirilememişti. Ata yöntemi, modellerin formlarının üstel yumuşatma modellerine benzer olduğu ancak yumuşatma parametrelerinin örneklem boyutuna bağlı olduğu, ayrı bir alanda optimize edildiği ve başlatmanın, parametreler eş zamanlı olarak yapıldığından daha kolay olduğu yenilikçi yeni bir tahmin tekniğidir. optimize edilmiştir ve başlangıç değerlerine atanan ağırlıklar hızla sıfıra yaklaştığından daha az etkilidir. Ata, tüm zaman serisi ayarlarına kolaylıkla uygulanabilmekte ve esnekliği sayesinde daha iyi tahmin performansı sağlamaktadır. Ata tahmin yönteminin ampirik ve simüle edilmiş veri setlerindeki başarısı tesadüf değildir. Son zamanlarda literatürde tahmin performansını artırmak için farklı yöntem ve algoritmalar kullanılmaktadır. Bu yöntemler arasında öne çıkanlar makine öğrenmesi, meta öğrenme ve farklı kombinasyon yöntemleridir. Bu çalışmada M3 yarışma veri setleri kullanılarak farklı denemeler ve meta öğrenme tekniği kullanılarak Ata yönteminin mevcut tahmin performansı iyileştirilecektir.
Özet (Çeviri)
Accurate forecasting is very important for both individuals and institutions and in every field of science, so there are many studies in the literature. However, at the moment, two major methods stand out, Exponential Smoothing (ES) and Box-Jenkins ARIMA. Comparing these two major method, ES is quite simple but ARIMA is complex and difficult. However, the main reason that makes the ES method popular in use is its proven success in forecasting performance. Despite the popularity of the ES method, there are still some unsolved problems such as initial value problem. Until recently, an alternative method could not be developed to these two basic methods. Ata method is an innovative new forecasting technique where the forms of the models are similar to exponential smoothing models but the smoothing parameters depend on the sample size, are optimized on a discrete space and initialization is both easier as it is done simultaneously when the parameters are optimized and is less influential since the weights assigned to initial values approach zero quickly. Ata can be applied to all time series settings easily and provides better forecasting performance due to its flexibility. The success of the Ata forecasting method in the empirical and simulated data sets is no coincidence. Recently, different methods and algorithms have been used in the the literature to improve forecasting performance. Prominent among these methods are machine learning, meta learning and different combination methods. In this study, the current forecasting performance of the Ata method will be improved by using different trials and meta learning technique using M3 competition data sets.
Benzer Tezler
- Zaman serileri tahmininde melez bir yaklaşım
A hybrid approach to time series forecasting
NURBANU IŞIK DELİBALTA
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURHANETTİN CAN
DR. ÖĞR. ÜYESİ GÖNÜL ULUDAĞ
- Time and context sensitive optimization of machine learning models for sequential data prediction
Makine öğrenimi modellerinin sıralı veri tahmini için zaman ve bağlam duyarlı optimizasyonu
ARDA FAZLA
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. SÜLEYMAN SERDAR KOZAT
- Güneş enerji santrallerinde makine öğrenmesi algoritmaları ve coğrafi bilgi verileri kullanılarak enerji üretiminin tahminlenmesi
Prediction of energy production in solar power plants usi̇ng machine learning algorithms and geographic information data
EREN POLATCAN
Yüksek Lisans
Türkçe
2024
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. HAYRİ HAKAN DENLİ
- Forecasting brent oil futures prices using machine learning
Yapay öğrenme kullanarak brent petrol vadeli işlem fiyatlarını öngörüleme
EMRE KAAN YILMAZ
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri MühendisliğiKoç ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. METİN TÜRKAY
- Meta-sezgisel algoritmalar kullanılarak derin öğrenme ağlarında kalan faydalı ömür tahmini
Remaining useful life prediction using meta-heuristic algorithms and deep learning methods
BÜŞRA ÖZTÜRK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. SULTAN ZEYBEK