Mv-tem: çok değişkenli zaman serileri için gelişmiş topluluk tahmin yaklaşımı
Mv-tem: an advanced ensemble forecasting approach for multivariate time series
- Tez No: 948457
- Danışmanlar: DR. ÖĞR. ÜYESİ OSMAN AKIN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Doğrusal olmayan zaman serileri, Ekonomik zaman serisi, Kısa dönemli öngörü, Sembolik zaman serileri, Vektör zaman serileri, Yapay zeka ve makine öğrenmesi dersi, Çok boyutlu tahmin modeli, Çok değişkenli zaman serileri, Non-linear time series, Economic time series, Short-term forecasting, Symbolic time series, Vector time series, Artificial intelligence and machine learning course, Multidimensional forecasting methods, Multivariate time series
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ostim Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yazılım Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Çok değişkenli zaman serisi tahmini, finansal piyasalar, çevresel izleme ve enerji sistemleri dahil olmak üzere çeşitli alanlardaki karmaşık doğrusal olmayan dinamikler, yüksek volatilite ve karmaşık çok boyutlu bağımlılıklar nedeniyle zorlu bir problem olmaya devam etmektedir. Literatür hem klasik istatistiksel yöntemleri (ARIMA, GARCH) hem de sinir ağı yaklaşımlarını (LSTM, Transformer) araştırmasına rağmen, önemli sınırlılıklar varlığını sürdürmektedir. Geleneksel modeller karmaşık doğrusal olmayanlıkları yakalamakta başarısız olmakta, derin öğrenme çözümleri ise çoğunlukla engelleyici hesaplama kaynaklarına ihtiyaç duymakta ve yorumlanabilirlik açısından yetersiz kalmaktadır. Bu çalışma, hem doğrusal hem de doğrusal olmayan zamansal ilişkileri etkili bir şekilde modellemek amacıyla düzenlenmiş doğrusal modelleri (ElasticNetCV) gelişmiş ağaç tabanlı algoritmalarla (RandomForest, GradientBoosting) stratejik olarak entegre eden yeni bir yığılmış topluluk metodolojisi aracılığıyla bu sınırlılıkları ele almaktadır. Ampirik değerlendirmemiz, üç alanda yayılan yedi farklı veri seti üzerinde istisnai tahmin performansı (R² > 0.91) göstermektedir: finansal endeksler (S&P 500: R² = 0.9566, Nifty 50: R² = 0.9168, BIST 100: R² = 0.9456), hava kalitesi izleme (PRSA: R² = 0.9502, MP: R² = 0.9359) ve elektrik tüketim desenleri (HPC: R² = 0.9485, ETTH1: R² = 0.9648). Önerilen çerçeve, hesaplama verimliliği, model yorumlanabilirliği ve alanlar arası uyarlanabilirlik açısından önemli avantajlar sunarken ARIMA (R² ≈ 0.85) ve LSTM mimarileri (R² ≈ 0.90) dahil olmak üzere yerleşik kıyaslama ölçütlerini tutarlı bir şekilde geride bırakmaktadır. Bu sonuçlar, yaklaşımımızı gerçek dünya çok değişkenli zaman serisi tahmin zorlukları için sağlam ve pratik bir çözüm olarak doğrulamakta, tahmin doğruluğu ve operasyonel fizibilite arasında optimal bir denge sağlamaktadır.
Özet (Çeviri)
Multivariate time series forecasting remains a formidable challenge due to complex nonlinear dynamics, high volatility, and intricate multidimensional dependencies across various domains including financial markets, environmental monitoring, and energy systems. While the literature has explored both classical statistical methods (ARIMA, GARCH) and neural approaches (LSTM, Transformer), significant limitations persist—traditional models fail to capture complex nonlinearities, while deep learning solutions often demand prohibitive computational resources and lack interpretability. This study addresses these limitations through a novel stacked ensemble methodology that strategically integrates regularized linear models (ElasticNetCV) with advanced tree-based algorithms (RandomForest, GradientBoosting) to effectively model both linear and nonlinear temporal relationships. Our empirical evaluation demonstrates exceptional predictive performance (R² > 0.91) across seven distinct datasets spanning three domains: financial indices (S&P 500: R² = 0.9566, Nifty 50: R² = 0.9168, BIST 100: R² = 0.9456), air quality monitoring (PRSA: R² = 0.9502, MP: R² = 0.9359), and electricity consumption patterns (HPC: R² = 0.9485, ETTH1: R² = 0.9648). The proposed framework consistently outperforms established benchmarks including ARIMA (R² ≈ 0.85) and LSTM architectures (R² ≈ 0.90) while offering significant advantages in computational efficiency, model interpretability, and cross-domain adaptability. These results validate our approach as a robust and practical solution for real-world multivariate time series forecasting challenges, providing an optimal balance between predictive accuracy and operational feasibility.
Benzer Tezler
- Prostat adenokarsinomlarında psa değerlerinin gleason skor ve klinik evre ile ilişkisi
The relation between psa and gleason score and clinical phase in prostate adenocarsinoma
HACI HASAN ESEN
Tıpta Uzmanlık
Türkçe
2005
PatolojiSelçuk ÜniversitesiPatoloji Ana Bilim Dalı
PROF.DR. MUSTAFA CİHAT AVUNDUK
- Yeni Cami'nin akustik açıdan performans değerlendirmesi
Evaluation of the acoustical performance of the New Mosque
EVREN YILDIRIM
Yüksek Lisans
Türkçe
2003
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. SEVTAP YILMAZ DEMİRKALE
- Kuru incirlerde küf florası ve aflatoksigenik küflerin saptanması
Başlık çevirisi yok
SİBEL BÜYÜKŞİRİN
