Geri Dön

Multiobjective trees for forecasting

Tahminleme için çok amaçli ağaçlar

  1. Tez No: 881076
  2. Yazar: İREM ARICA
  3. Danışmanlar: PROF. DR. MUSTAFA NECATİ ARAS, DOÇ. DR. MUSTAFA GÖKÇE BAYDOĞAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 73

Özet

Zaman serisi tahmini önemli bir görevdir ve eğitim, finans, tıp ve üretim gibi çeşitli alanlarda kullanılabilmektedir. Zamansal verilerin yaygın olarak kullanılması, veri madenciliği alanında birçok araştırma ve çalışmanın yapılmasına neden olmuştur. Zaman serisi analizi modellerinin yanı sıra, ağaç tabanlı yöntemler de zaman serisi analizi için yaygın olarak kullanılan yöntemlerdir. Ağaç tabanlı modeller karmaşık veri kümelerinde doğru sonuçlar sağlamaktadır ve doğrusal olmayan ilişkileri açıklayabilirler. Ancak zaman serisi verileri, bir değişkenin belirli zaman aralıklarında ölçülmesiyle elde edilir ve çoğu zaman öngörülebilir dalgalanmalar içerir. Ağaç tabanlı modellerin kullanımında, zamansal ilişki ve mevsimsellik modelleme sürecine dahil edilmelidir. Regresyon ağaçları, tüm veri noktalarını birbirinden bağımsız olarak dikkate almaktadır. Bu nedenle, zaman serisi tahmininde kullanımları için önceden işleme veya sonradan işleme yöntemlerine ihtiyaç vardır. Diğer yandan, ağaçların öğrenme algoritmasındaki değişiklikler ile zamansal etki ve mevsimsellik sağlanabilir. Çok amaçlı ağaçlar, karar ağaçlarının öğrenme sürecinde değişiklikler yapan ağaç tabanlı bir topluluk yaklaşımıdır. Karar ağaçlarının amacına ek olarak, bölme kararı sırasında dikkate alınacak iki yeni amaç daha eklenmiştir. Bunlar düğüm içerisindeki gözlemlerin zamansal yakınlığı ve gözlemler arasındaki mevsimsel mesafedir. Bu üç hedef farklı ağırlıklarda birleştirilerek tek bir karar metriği oluşturulur ve bu karar metriğine göre bölme işlemi yapılır. Deneylerde beş farklı sentetik veri seti ve üç adet zaman serisi veri seti kullanılmıştır. Bu hedefleri eklemek, parametre seçimi sonucunda belirlenen ağırlıklarla geleneksel yaklaşımdan daha iyi sonuçlar vermektedir. Son olarak, çok amaçlı ağaçlar rastgele orman modellerine benzer şekilde rastgele ortamda test edilmiştir ve geleneksel zaman serisi tahmin modelleri ile karşılaştırılmıştır. Tek bir karar ağacı uygulandığında rastgele ortama kıyasla daha rekabetçi sonuçlar elde edilmiştir.

Özet (Çeviri)

Time series forecasting is a significant task, and it can be used in various fields such as education, finance, medicine, and manufacturing. The wide use of temporal data has resulted in many researches and studies in the field of data mining. Besides time series analysis models, tree-based methods are commonly used for time series forecasting. Tree-based models provide accurate results in complex datasets, and they can explain nonlinear relationships. However, time series data is obtained by measuring a variable at certain time intervals and often contains predictable fluctuations. In the use of tree-based modeling, the temporal relationship and seasonality in time series data should be included in the modeling process. Regression trees consider all data points independently of each other. Thus, preprocessing or postprocessing methods are needed for their use in time series forecasting. However, temporal and seasonality effects can be incorporated into learning process of trees. In this thesis, Multiobjective Trees for Forecasting (MTF) Model is proposed, which is a tree-based ensemble approach that makes changes in the learning phase of decision trees. In addition to objective of decision trees, two new considerations are added to be taken into account during partition. These are temporal closeness in nodes and the seasonal distance between observations. A single decision metric is created by combining these three objectives in different weights, and splitting is done according to this decision metric. In the experiments, five different synthetic datasets and three time series datasets are used. Adding these objectives yields better results than the traditional approach, when the weights are selected with parameter tuning. Finally, multiobjective trees are tested in randomized setting similar to random forest models and compared with the traditional time series forecasting models. More competitive results are obtained when only one decision tree is fitted compared to randomized setting.

Benzer Tezler

  1. Güneş radyasyon tahmini için bulanık zaman serisi yöntemleri ve fotovoltaik sulama sistemi optimizasyonunda uygulanması

    Forecasting solar radiation with fuzzy time series and optimization application in photovoltaic irrigation system

    CEYDA OLCAN

    Doktora

    Türkçe

    Türkçe

    2015

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ELMKHAN MAHMUDOV

  2. Sürdürülebilir toplu konut yerleşmesi tasarımı için Pareto genetik algoritmaya dayalı bir model önerisi: SSPM

    A model for sustainable site layout design with pareto genetic algorithm: SSPM

    YAZGI AKSOY

    Doktora

    Türkçe

    Türkçe

    2016

    Mimarlıkİstanbul Teknik Üniversitesi

    Bilişim Ana Bilim Dalı

    PROF. DR. GÜLEN ÇAĞDAŞ

  3. MOTSA: Çok amaçlı ağaç-tohum algoritması

    MOTSA: Multi-objective tree-seed algorithm

    GÜL ÖZCAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA SERVET KIRAN

  4. Multi-objective approaches for multi-target learning

    Çok değişkenli öğrenmede çok hedefli yaklaşımlar

    ESRA ADIYEKE

    Doktora

    İngilizce

    İngilizce

    2020

    Endüstri ve Endüstri MühendisliğiBoğaziçi Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA GÖKÇE BAYDOĞAN

  5. Preference-driven evolutionary meta-heuristics for multiobjective combinatorial optimization

    Çok amaçlı birleşi problemleri için tercihlerce yönlendirilen evrimci meta-sezgisel yöntemler

    FATMA SELCEN PAMUK