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
- Tez No: 872173
- Danışmanlar: PROF. DR. ÖZGE CAĞCAĞ YOLCU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Üsküdar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 69
Özet
Zaman serisi öngörü modelleri“Olasılıksal”ve“Olasılıksal Olmayan”modeller olarak ikiye ayrılabilir. Olasılıksal Modeller klasik zaman serisi modellerini içerir, Olasılıksal Olmayan Modeller farklı yapay sinir ağlarına dayalı olarak oluşturulmuş“Hesaplamalı”ve“Bulanık”olarak iki ana grubun altında ele alınabilir. Zaman serisinin barındırdığı belirsizliğe, hesaplamalı yaklaşımlar çözüm sunamazken bulanık küme teorisine dayalı yaklaşımlar ise çözüm sunmaktadırlar. Bu iki tahmin modeli ailesi, klasik olasılıksal modellerin doğasında bulunan katı varsayımları gerektirmez. Bulanık ilişkileri modellemek için bazı yaklaşımlar kurala dayalı yöntemler kullanırken, diğerleri yapay sinir ağlarını içermektedir. Bulanık regresyon fonksiyonları (FRF) basit ve kuralsız bir yaklaşım sunar. FRF'leri farklı kılan şey, çoklu doğrusal regresyon modellerinde girdi olarak gerçek değerli gecikmeli değişkenlere ek olarak üyelik değerlerinin yanı sıra belirli üyelik dönüşümlerini de kullanmalarıdır. Bu yaklaşımın bazı avantajları olmasına rağmen girdiler ve çıktılar arasında doğrusal bir model ortaya koymaktadır. Ancak çoklu doğrusal regresyon modelinin artıklara dayalı bazı katı varsayımları vardır ve bu varsayımlar literatürde incelenmemektedir. Bu çalışmada, zaman serisi tahminine yönelik yapay zekâ ve bulanık mantığa dayalı hibrit bir model önerilmiştir. Önerilen model ile, zaman serisi verilerinin doğasında olan belirsizliği ele almak ve doğrusal olmayan ilişkileri modellemek amaçlanmıştır. Model girdileri, Bulanık C-Ortalamalar (FCM) kümeleme yöntemi kullanılarak zaman serilerinin bulanıklaştırılmasıyla elde edilen üyeliklerden, bazı üyelik fonksiyonlarından ve gerçek değerli gecikmeli zaman serilerinden oluşur. Bulanık ilişkiler, Uzun Kısa Süreli Bellek (LSTM) derin sinir ağı tarafından tanımlanır. Modele yapısı gereği Bulanık Uzun-Kısa Süreli Bellek Fonksiyonları (F-LSTM-F) adı verilir. F-LSTM-F'lere dayanan önerilen modelin tahmin performansı, literatürde yaygın kullanılan çeşitli gerçek hayat zaman serilerine uygulanması yoluyla değerlendirilir. Önerilen model, diğer çalışmalara göre RMSE kriteri bakımından ortalama %50 üzerinde bir ilerleme performansı göstermiştir.
Özet (Çeviri)
Time series forecasting models can be divided into“Probabilistic”and“Non-Probabilistic”models. Probabilistic Models include classical time series models, Non-Probabilistic Models can be divided into two main groups as“Computational”and“Fuzzy”, created based on different artificial neural networks. While computational approaches cannot provide a solution to the uncertainty inherent in time series, approaches based on fuzzy set theory offer a solution. These two families of forecasting models do not require the stringent assumptions inherent in classical probabilistic models. Some approaches to model fuzzy relationships use rule-based methods, while others involve artificial neural networks. Fuzzy regression functions (FRF) offer a simple and rule-free approach. What makes FRF's different is that they use membership values as well as specific membership transformations in addition to real-valued lagged variables as inputs in multiple linear regression models. Although this approach has some advantages, it reveals a linear model between inputs and outputs. However, the multiple linear regression model has some strict assumptions based on residuals, and these assumptions are not examined in the literature. In this study, a hybrid model based on artificial intelligence and fuzzy logic for time series forecasting is proposed. The proposed model aims to address the uncertainty inherent in time series data and model nonlinear relationships. Model inputs consist of memberships obtained by fuzzing the time series using the Fuzzy C-Means (FCM) clustering method, some membership functions, and real-valued lagged time series. Fuzzy relationships are identified by the Long Short Term Memory (LSTM) deep neural network. The model is called Fuzzy Long-Short Term Memory Functions (F-LSTM-F) due to its structure. The forecasting performance of the proposed model based on F-LSTM-F's is evaluated through its application to various real-world time series commonly used in the literature. The proposed model showed an average improvement of over 50% in terms of RMSE criterion compared to other studies.
Benzer Tezler
- Exploiting clustering patterns in training sets to improve classification performance of fully connected layers
Tam bağlantılı katmanların sınıflandırma performansını iyileştirmek için eğitim setlerindeki kümeleme örüntülerinden faydalanma
TOLGA AHMET KALAYCI
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. UMUT ASAN
- Empowering multimodal multimedia information retrieval through semantic deep learning
Semantik derin öğrenme yoluyla multimodal multimedya bilgi erişimini güçlendirme
SAEID SATTARI
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET HALİT SEYFULLAH OĞUZTÜZÜN
PROF. DR. ADNAN YAZICI
- Application de la mesure floue et de l'integral floue en aide multicritere a la decision
Çok ölçütlü karar vermede bulanık ölçüm ve bulanık entegral uygulamaları
SEVİN SÖZER
Yüksek Lisans
Fransızca
2001
Endüstri ve Endüstri MühendisliğiGalatasaray ÜniversitesiDOÇ. DR. E. ERTUĞRUL KARSAK
- Classification of melanoma malignancy in dermatology
Dermatolojide melanoma malignansının sınıflandırılması
BİLGE SÜHEYLA GAZİOĞLU
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Application and analysis of deep learning techniques on the problem of depth estimation from a single image
Derin öğrenme tekniklerinin tekil görüntüden derinlik tahmini problemi üzerinde uygulanması ve incelenmesi
ALİCAN MERTAN
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE ÜNAL