Time Series Forecasting of Live TV Channel Views on OTT Platforms
OTT Platformlarındaki Canlı TV Kanalları İzlenmelerinin Zaman Serisi Tahmini
- Tez No: 956652
- Danışmanlar: DR. ÖĞR. ÜYESİ AYSUN BOZANTA HAKYEMEZ
- Tez Türü: Yüksek Lisans
- Konular: Yönetim Bilişim Sistemleri, Management Information Systems
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 117
Özet
Bu çalışmada dijital izleme platformlarındaki değişken kullanıcı davranışları ve artan kullanıcı canlı yayın talepleri baz alınarak, bir OTT (Over-the-Top) yayın platformundaki canlı televizyon kanallarının izlenmelerinin saatlik tahmini için çeşitli zaman serisi modellerini kıyaslamaktadır. Çalışma kapsamında, geleneksel istatistiksel modeller (ARIMAX, SARIMAX, Üstel Düzeltme), makine öğrenmesi modelleri (Random Forest, Gradient Boosting, LightGBM, XGBoost), derin öğrenme mimarileri (LSTM, GRU, RNN) ve Transformer temelli modeller (FEDFormer, TimesNet, Autoformer vb.) değerlendirilmiştir. Modeller, özel bir OTT platformunun veri seti üzerinden test edilmiş ve Wikipedia sayfa görüntülenmeleri ve hava durumu verileri gibi herkese açık veri setleri ile karşılaştırılmıştır. Tutarlı bir değerlendirme gerçekleştirilebilmesi için“kayan pencere”yaklaşımı benimsenmiş, farklı giriş uzunlukları ve tahmin aralıkları için model performansları Ortalama Mutlak Hata, Ortalama Kare Hata ve çalışma süresi sonuçlarına göre kıyaslanmıştır. Özellikle dinamik ve lineer olmayan verilerde Transformer tabanlı modellerin en yüksek doğruluk oranlarına ulaştığı fakat yüksek hesaplama maliyeti gerektirdiğini göstermektedir. Makine öğrenmesi modelleri verimlilik ve doğruluk açısından en dengeli modeller olup, gerçek zamanlı uygulamalar için ideal bir seçenek olmuşlardır. Geleneksel modeller ise iyi yapılandırılmış ve sezonluk veri setlerinde etkili olmaktadır. Bu sonuçlar zaman serisi tahmini ve internet medya hizmetlerinde çalışan araştırmacılar ve endüstri profesyonelleri için model karakteristikleri, sistem kısıtları ve uygulanabilirlik açısından model seçimine yardımcı olacaktır.
Özet (Çeviri)
This study compares various time series models for forecasting live TV channel views on an OTT (Over-the-Top) streaming platform, based on volatile user behavior on digital platforms and increasing demand for live broadcasts. The study evaluates traditional statistical models (ARIMAX, SARIMAX, Exponential Smoothing), machine learning algorithms (Random Forest, Gradient Boosting, LightGBM, XGBoost), deep learning architectures (LSTM, GRU, RNN), and Transformer-based models such as FEDFormer, TimesNet, Autoformer. These models were tested on proprietary OTT platform data and benchmarked against publicly available datasets, including Wikipedia page views and weather data. A standardized sliding window approach was implemented to ensure consistent model training and evaluation across different input lengths and prediction horizons. Model performance was assessed using Mean Absolute Error (MAE), Mean Squared Error (MSE), and runtime. The findings reveal that Transformer-based models achieve the highest forecasting accuracy, particularly in dynamic and non-stationary environments, though at a significant computational cost. Tree-based models demonstrate an optimal balance between efficiency and accuracy, making them practical for real-time deployment. Traditional models remain highly effective for structured and seasonal datasets. These results can help in selecting forecasting models based on characteristics, system constraints, and application requirements, offering valuable insights for both researchers and industry professionals in the fields of time-series forecasting and OTT media services.
Benzer Tezler
- Ticari banka yönetimi ve Türk ticari bankalarının temel yönetim sorunları
The management of the commercial bank and the basic problems of the Turkish comercial bank
AYŞE ÇİĞDEM ÖNAL
- A new approach for ensemble based demand forecasting using machine learning methodologies in bigdata environment
Başlık çevirisi yok
AHMET OKAY AKYÜZ
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDoğuş ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MİTAT UYSAL
- Otomotiv sanayisi için üretim yapan bir işletmede talep tahmin yöntemlerinin uygulanması
Application of demand forecasting methods in a business manufacturing for the automotive industry
ALPER KOÇKAYA
Yüksek Lisans
Türkçe
2016
Endüstri ve Endüstri MühendisliğiMaltepe ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ÖNDER TOMBUŞ
- Konut tasarımına yönelik sürdürülebilirlik ve teknoloji bağlamında bir gelecek tahmin modeli
A forecasting model for housing design within the context of sustainability and technology
SEZA FİLİZ
Doktora
Türkçe
2010
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. ORHAN HACIHASANOĞLU
- Arıma modeliyle hasta talep tahmini: Bingöl Ağız ve Diş Sağlığı Merkezi örneği
Patient demand forecasting with the arima model: The example of Bingöl Oral and Dental Health Center
MÜCAHİDE GÜNGÖR OFLAZ