Geri Dön

Makine öğrenme yöntemlerini kullanarak çok değişkenli zaman serisi analizi ve tahmin

Multivariate time series analysis and forecasting using machine learning methods

  1. Tez No: 886056
  2. Yazar: LUBNA ALANIS
  3. Danışmanlar: PROF. DR. HAMZA EROL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Mersin Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 94

Özet

Çok değişkenli zaman serisi tahmini, trafik akışı tahmini ve süpermarket emtia talep tahmini gibi çeşitli alanlarda kullanılan kritik bir tekniktir. Bu alan, birçok zaman serisi arasında karmaşık zamansal desenler ve ayrıntılı bağımlılıklar ile zengindir ve bu da birçok tahmin modeli geliştirilmesine ilham vermiştir. Alanda kaydedilen ilerlemelere rağmen, mevcut araştırmalarda iki önemli boşluk bulunmaktadır: İlk olarak, bu modellerin çeşitli belirli tahmin görevlerindeki performanslarının ayrıntılı bir karşılaştırması eksiktir. Farklı senaryolardaki etkinliklerinin kapsamlı, yan yana bir değerlendirmesi yapılmamıştır. İkincisi, özellikle hızlı kararların gerekli olduğu durumlarda hayati öneme sahip olan bu modellerdeki zaman verimliliği boyutu genellikle ihmal edilmiştir. Bu süreçlerin hızına odaklanılmaması, finansal piyasalar, siber güvenlik veya gerçek zamanlı izleme gerektiren sistemler gibi hızlı yanıtın kritik olduğu alanlarda pratik kullanımını sınırlamaktadır. Bu göz ardı edilen alanlar, bu tahmin modellerinin gerçek dünya uygulanabilirliğini anlamak ve iyileştirmek için çok önemlidir. Derin öğrenme ve hibrit modellerin ortaya çıkmasıyla, bu çalışma iki geleneksel makine öğrenimi yöntemi—Lineer Regresyon ve En Yakın Komşu—ile iki ileri seviye derin öğrenme yaklaşımı olan LSTM ve CNN'i karşılaştırmaktadır. Çalışmamız, bu yöntemleri dört standart çok değişkenli zaman serisi veri setinde uygulayarak, hem kaydırma penceresi yaklaşımını hem de doğrudan stratejiyi kullanarak farklı tahmin ufuklarını ele almıştır. Bulgular, geleneksel makine öğrenimi yöntemlerinin, daha kısa yürütme süreleri sunarken, daha kısa tahmin ufuklarında yüksek doğruluk gösterdiğini ve bu bağlamlarda derin öğrenme yöntemlerinin önüne geçtiğini ortaya koymaktadır. Buna karşılık, derin öğrenme modelleri, daha uzun tahmin ufuklarında üstün performans sergileyerek, genişletilmiş zamansal analizlerde dayanıklılıklarını göstermektedir. Çalışmamızdan elde edilen önemli bir gözlem, tüm yöntemler arasında doğruluk ile veri setinin öngörülebilirliği arasındaki ilişkinin tutarlılığıdır. Tüm modeller, öngörülebilir veri setlerinde artan doğruluk göstermektedir. Ayrıca, tahmin ufkunun uzunluğu ile hata büyüklüğü arasında tutarlı bir doğrudan ilişki bulunmaktadır: tahmin ufku uzadıkça, tüm yöntemlerde hatalar kaçınılmaz olarak artmaktadır. Bu desen, uzun vadeli tahminlerdeki zorlukları vurgulamakta ve tahmin ufku ile veri setinin doğasına bağlı olarak özel yaklaşımların gerekliliğine dikkat çekmektedir.

Özet (Çeviri)

Multivariate time series forecasting is a critical technique employed in diverse domains, including traffic flow prediction and supermarket commodity demand forecasting. This field, rich in complex temporal patterns and intricate interdependencies among multiple time series, has inspired the development of numerous forecasting models. Despite progress in the field, there are two notable gaps in the existing research: Firstly, there is an absence of a detailed comparison of how these models perform across various specific forecasting tasks. A thorough, side-by-side evaluation of their effectiveness in different scenarios is missing. Secondly, the aspect of time efficiency in these models, especially vital in situations where quick decisions are essential, has often been neglected. This lack of focus on the speed of these processes limits their practical use in areas where rapid response is critical, such as in financial markets, cybersecurity, or systems that require real-time monitoring. These overlooked areas are crucial for understanding and improving the real-world applicability of these forecasting models. With the advent of deep learning and hybrid models, this study contrasts two traditional machine learning methods—Linear Regression and K-Nearest Neighbor—with two cutting-edge deep learning approaches, LSTM and CNN. Our study implements these methods on four benchmark multivariate time series datasets, employing both a sliding window approach and a direct strategy to address varying forecasting horizons. The findings reveal that traditional machine learning methods, while offering shorter execution times, demonstrate high accuracy for shorter forecasting horizons, thus overshadowing the deep learning methods in these contexts. Conversely, deep learning models exhibit superior performance over longer forecasting horizons, showcasing their robustness in extended temporal analyses. A key observation from our study is the uniformity in the relationship between accuracy and dataset predictability across all methods. All models show enhanced accuracy with predictable datasets. Furthermore, there exists a consistent direct correlation between the length of the forecasting horizon and the magnitude of errors: as the forecasting horizon extends, errors invariably increase for all methods. This pattern underscores the inherent challenges in long-term forecasting and highlights the need for tailored approaches depending on the forecasting horizon and the nature of the dataset.

Benzer Tezler

  1. Fake news classification using machine learning and deep learning approaches

    Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması

    SAJA ABDULHALEEM MAHMOOD AL-OBAIDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR

  2. 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

  3. Feasibility analysis based on advanced deep learning techniques in integrating renewable energy resources into microgrids

    Yenilenebilir enerji kaynaklarının mikroşebekelere entegre edilmesinde gelişmiş derin öğrenme tekniklerine dayalı uygulanılabilirlik analizi

    FATHI FARAH FADOUL FATHI FARAH FADOUL

    Doktora

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. RAMAZAN ÇAĞLAR

  4. Machine learning applications for time series analysis

    Zaman serileri analizi için makine öğrenmesi uygulamaları

    MERT CAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Matematikİstanbul Teknik Üniversitesi

    Matematik Mühendisliği Ana Bilim Dalı

    PROF. DR. ATABEY KAYGUN

  5. Predicting market needs using time series analysis and deep learning

    Başlık çevirisi yok

    MUSAAB OSAMAH ANWER

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Bilişim Teknolojileri Bilim Dalı

    DR. ÖĞR. ÜYESİ SÜREYYA AKYÜZ