Dendritik nöron model yapay sinir ağlarına dayalı yeni sezgisel bulanık zaman serisi öngörü yöntemleri
New intuitionistic fuzzy time series forecasting methods based on dendritic neuron model artificial neural networks
- Tez No: 887450
- Danışmanlar: PROF. DR. EREN BAŞ, PROF. DR. TAMER AKKAN
- Tez Türü: Doktora
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Bulanık Zaman Serileri, Basit Üstel Düzleştirme, Bulanık C-Ortalamalar, Dentritik Nöron Model Yapay Sinir Ağı, Gri Kurt Optimizasyon Algoritması, Parçacık Sürü Optimizasyon Algoritması
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Giresun Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 118
Özet
Son yıllarda bulanık zaman serisi öngörü yöntemleri öngörü problemine çözüm getirmek için sıklıkla kullanılmaya başlanmıştır. Yapılan çalışmalar incelendiğinde bulanık zaman serilerinin bulanık kümelere dayalı kural tabanlı olması ve gözlem sayısı ya da dağılım varsayımı gerektirmemesi bu alanda araştırmalar yapan bilim insanları tarafından sıklıkla tercih edilmesine neden olmuştur. Öngörü problemlerinin çözümünde klasik öngörü yöntemlerinin yanı sıra makine öğrenmesi yöntemleri de son dönemlerde tercih edilmeye başlanmıştır. Makine öğrenmesi yöntemlerinden biri olan derin yapay sinir ağları öngörü problemlerinin çözümünde oldukça sık kullanılmaya başlanmıştır. Yapay sinir ağlarının durağanlık veya gözlem sayısı gibi belirli katı kuralları içermemesi zaman serilerinin analizinde başarılı bir şekilde çözümler elde etmesine neden olmuştur. Ayrıca klasik öngörü yöntemlerinden biri olan basit üstel düzleştirme yöntemininde öngörü alanında başarılı sonuçlar ürettiği gözlemlenmiştir. Bu çalışmada sürdürülebilir su kaynaklarının öngörülmesi ve bazı ülkelerin borsa verilerine ait zaman serilerinin öngörülmesi için yeni sezgisel bulanık zaman serisi yöntemleri ve bu yöntemlerin bir arada kullanıldığı melez yaklaşımlar önerilmektedir. İlk olarak mevsimsellik içermeyen zaman serilerinin öngörülmesi için dendritik nöron model yapay sinir ağı, sezgisel bulanık c-ortalamalar ve gri kurt optimizasyon algoritmasına dayalı bir sezgisel bulanık zaman serisi (IFTS-DNM-GKOA) öngörü yöntemi ortaya koyulmuştur. İkinci olarak yine mevsimsellik içermeyen zaman serilerinin öngörülmesi için dendritik nöron model yapay sinir ağı, basit üstel düzleştirme ve gri kurt optimizasyon algoritması dayalı bir sezgisel bulanık zaman serisi (IFTS-DNM-SES-GKOA) öngörü yöntemi sunulmuştur. Bu tez çalışmasında önerilen son yöntemde ise Pi-Sigma Yapay Sinir ağı, temel bileşenler analizi ve basit üstel düzleştirme yönteminin bir melez yaklaşımı (IFTS-PS-SES-PSO-PCA) öngörü yöntemi önerilmiştir. Yöntemlerde kullanılan yapay sinir ağlarının eğitiminde gri kurt ve parçacık sürü optimizasyon algoritmasına dayalı olmak üzere iki farklı eğitim algoritması kullanılmıştır. Bu eğitim algoritmaların da ağın aşırı uyum ve yerel optimum gibi problemlerin önüne geçilmesi amacıyla yeniden başlatma ve erken durdurma gibi iki farklı çözüm stratejisi uygulanmıştır. Önerilen yöntemlerin performansları mevsimsel bileşen içermeyen zaman serilerine ve sürdürülebilir su kaynaklarına ait zaman serilerine uygulanmıştır. Önerilen yöntemler klasik öngörü yöntemleri ve bulanık zaman serisi yöntemleriyle çeşitli hata ölçütleri kullanılarak karşılaştırılacaktır.
Özet (Çeviri)
In recent years, fuzzy time series forecasting methods have been frequently used to solve the forecasting problem. When the studies are analyzed, the fact that fuzzy time series are rule-based based on fuzzy sets and do not require the assumption of number of observations or distribution has caused them to be frequently preferred by scientists conducting research in this field. In addition to classical forecasting methods, machine learning methods have recently started to be preferred in solving forecasting problems. Deep artificial neural networks, one of the machine learning methods, have started to be used quite frequently in solving forecasting problems. The fact that artificial neural networks do not contain certain strict rules such as stationarity or number of observations has led to successful solutions in the analysis of time series. It has also been observed that the simple exponential smoothing method, which is one of the classical forecasting methods, produces successful results in the field of forecasting. In this study, new heuristic fuzzy time series methods and hybrid approaches will be proposed for forecasting sustainable water resources and time series of stock market data. First, a heuristic fuzzy time series forecasting method (IFTS-DNM-GKOA) based on dendritic neuron model artificial neural network, heuristic fuzzy c-means and gray wolf optimization algorithm will be applied for forecasting time series without seasonality. In the second method, a heuristic fuzzy time series forecasting method (IFTS-DNM-SES-GKOA) based on dendritic neuron model artificial neural network, simple exponential smoothing and gray wolf optimization algorithm is presented for forecasting time series without seasonality. In the last method proposed in this thesis, a hybrid approach of Pi-Sigma Artificial Neural Network, principal component analysis and simple smoothing (IFTS-PS-SES-PSO-PCA) forecasting method is proposed. Two different algorithms, gray wolf and particle swarm optimization algorithms, are used for training the deep neural networks. In these training algorithms, two different solution strategies such as restart and early stopping were applied in order to avoid problems such as overfitting and local optimum. The performances of the proposed methods are applied to time series without seasonal component and time series of sustainable water resources. The proposed methods will be compared with classical forecasting methods and fuzzy time series methods using various error measures. Keyword: Fuzzy Time Series, Simple Exponential Smoothing, Fuzzy C-Means, Dentritic Neuron Model Artificial Neural Network, Gray Wolf Optimization Algorithm, Particle Swarm Optimization Algorithm
Benzer Tezler
- Bootstrap dendritik nöron model yapay sinir ağı
Bootstrapped dendritic neuron model artificial neural network
ELİF ÖLMEZ
Yüksek Lisans
Türkçe
2022
İstatistikGiresun Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. EROL EĞRİOĞLU
- Trabzon deniz yüzeyi sıcaklığının dentritik nöron model yapay sinir ağı ile öngörüsü
Forecasting of Trabzon sea surface temperature with dendritic neuron model artificial neural network
GAMZE GENÇ
- Zaman serisi öngörüsünde dendrit yapay sinir ağları için parçacık sürü optimizasyonuna dayalı dayanıklı öğrenme algoritması
Robust learning algorithm based on particle swarm optimization for dendritic artificial neural networks in time series forecasting
AYŞE YILMAZ
- Design and simulation of a microfluidic biochip for optic detection with derivatized microbeads and the biochemistry of learning
Türevlendirilmiş mikro küreler ile optik biyosensörü ve öğrenme biyokimyası için mikroakışkan biyoçipin tasarımı ve sımülasyonu
TUĞÇE TÜYSÜZ
Yüksek Lisans
İngilizce
2020
Biyomühendislikİstanbul Teknik ÜniversitesiNanobilim ve Nanomühendislik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONUR ALPTÜRK
DOÇ. DR. YILDIZ ULUDAĞ
- Evaluation of developmental toxicity of ethephon using embryonic stem cell model
Embriyonik kök hücre modeli kullanılarak etefonun gelişimsel toksisitesinin değerlendirilmesi
SOLMAZ MOHAMMADI NEJAD
Doktora
İngilizce
2018
Eczacılık ve FarmakolojiHacettepe ÜniversitesiFarmasötik Toksikoloji Ana Bilim Dalı
DOÇ. DR. SUNA SABUNCUOĞLU