Geri Dön

Yeni bir zaman serisi öngörü yaklaşımı: genetik algoritmaya dayalı bulanık evrişimsel sinir ağı regresyon fonksiyonları

A new time series forecasting approach: fuzzy convolutional neural network regression functions based on genetic algorithm

PDF İndir

  1. Tez No: 962353
  2. Yazar: FURKAN KESKİN
  3. Danışmanlar: PROF. DR. ÖZGE CAĞCAĞ YOLCU
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Marmara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: İstatistik Bilim Dalı
  13. Sayfa Sayısı: 70

Özet

Bu çalışma, zaman serisi tahmininde belirsizlik, yapısal bağımlılıklar ve doğrusal olmayan örüntülerin eşzamanlı olarak modellenmesi sorununa çözüm olarak, FAGGING-CNNF adı verilen yeni bir topluluk (ensemble) mimarisi önermektedir. Önerilen yapı; gecikmeli gözlemler üzerinde Fuzzy C Means ile elde edilen anlamsal (semantic) kümeleri, her bir küme için yerel birer 1D Konvolüsyonel Sinir Ağı (CNN) eğitilmesini ve tahminlerin üyelik derecelerine dayalı dinamik ağırlıklarla birleştirilmesini içerir. Böylece klasik bagging yaklaşımındaki rassal yeniden örnekleme yerine, çeşitlilik veri odaklı ve yorumlanabilir bir biçimde sağlanmakta; zaman bağımlılığı korunmakta ve varyans azaltılırken genellenebilirlik güçlenmektedir. Tüm sürecin kritik hiperparametreleri (gecikme sayısı, bulanık küme sayısı, bulanıklık endeksi, CNN kernel genişliği, filtre sayısı, mini batch büyüklüğü) genetik algoritma ile doğrulama kümesi üzerinde sistematik biçimde optimize edilmektedir. Modelin etkinliği, toplam 22 farklı veri seti üzerinde gerçekleştirilen kapsamlı karşılaştırmalarla değerlendirilmiştir: TAIEX 2000–2004 (5 seri), TAIEX 2008–2018 (11 seri) ve sürdürülebilir su tüketimi (NYWC Total, NYWC Capita, OECD, BRICS, ROW, WORLD; 6 seri). TAIEX 2000–2004 için ortalama; RMSE değeri 52 elde edilirken, bireysel performansın etkin bir ölçüsü olan MAPE %1'in altında gözlenmiştir. Öngörüler ile gerçek gözlemlerin uyumunu belirlemek adına kurulan sabit katsayısız basit doğrusal regreyon modelinde regresyon ve determinasyon katsayılarının her ikisininde neredeyse 1 olarak elde edilmesi yüksek uyumu işaret etmektedir. TAIEX 2008–2018 setlerinde model, literatürdeki en iyi alternatiflere karşı ortalama %15, ikinci en iyi modellere karşı ise %35 RMSE iyileşmesi sağlamış; ortalama MAPE %0.50 ve MdRAE 0.66 olarak gerçekleşmiştir. Su tüketimi serilerinde tüm MAPE değerleri %2.16'nın altında, beş seride ise %1'in altındadır (ör. NYWC Total için %0.27). Bu bulgular, finansal serilerin ötesinde çevresel ve kaynak planlama alanlarında da yüksek doğruluk ve uyarlanabilirlik sağlandığını göstermektedir. Artık tahmin diyagramları ve göreli hata grafiklerinde kalıntıların yapısız ve düşük büyüklükte olması, modelin yanlılık taşımadığını ve ilave bilgi içermediğini teyit etmektedir. Sonuç olarak FAGGING CNNF, bulanık mantıkla belirsizlikleri yapısal olarak temsil eden, derin öğrenme ile karmaşık bağımlılıkları yakalayan ve semantik bulanık birleştime ile çeşitliliği anlamlı biçimde inşa eden bütünleşik bir çerçeve sunmaktadır.

Özet (Çeviri)

This study introduces FAGGING CNNF, a novel ensemble forecasting framework designed to address uncertainty, structural dependencies, and nonlinear patterns in time series. The proposed approach combines: Fuzzy C Means clustering on lagged observations to create semantic partitions, training 1D Convolutional Neural Networks (CNNs) as local estimators for each fuzzy cluster, and aggregating forecasts using dynamic weights based on membership degrees. Unlike conventional bagging, which relies on random resampling, FAGGING CNNF builds diversity in a data-driven and interpretable manner, preserving temporal dependencies while reducing variance and enhancing generalization. Critical hyperparameters—including lag order, number of clusters, fuzziness index, CNN kernel size, number of filters, and mini-batch size—are systematically optimized through a genetic algorithm on the validation set. The model's effectiveness was assessed across three major tasks: TAIEX 2000–2004 (5 series), TAIEX 2008–2018 (11 series), and sustainable water consumption datasets (NYWC Total, NYWC Capita, OECD, BRICS, ROW, WORLD; 6 series). For the TAIEX data from 2000–2004, the average RMSE was found to be 52, while the MAPE — a highly effective measure of individual forecasting performance — remained below 1%. In the simple linear regression model without an intercept, established to assess the agreement between forecasts and actual observations, both the regression and determination coefficients were found to be nearly 1, indicating an exceptionally high level of consistency. For TAIEX 2008–2018, FAGGING CNNF improved RMSE by an average of 15% over the best and 35% over the second-best models, with average MAPE of 0.50% and MdRAE of 0.66. For water consumption datasets, all MAPE values were below 2.16%, with five of six series below 1% (e.g., 0.27% for NYWC Total). These results confirm the model's reliability and adaptability across both financial and environmental domains. Residual and relative error plots demonstrate random, structure-free residuals with low magnitude, validating the model's unbiasedness and predictive reliability. Overall, FAGGING CNNF integrates fuzzy logic to structurally capture uncertainty, deep learning to model complex dependencies, and semantic bagging to construct meaningful diversity among learners. The resulting hybrid framework offers high forecasting accuracy, stability, and interpretability.

Benzer Tezler

  1. Tez No

    299230

    Bulanık zaman serisi çözümlemesi için genetik algoritmaya dayalı yeni bir yaklaşım

    A new approach based on the genetic algorithm for fuzzy time series analysis

    EREN BAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2011

    İstatistikOndokuz Mayıs Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. VEDİDE REZAN USLU

  2. Tez No

    521845

    Kedi sürüsü optimizasyonuna dayalı yeni bir bulanık zaman serisi yaklaşımı

    A new fuzzy time series approach based on cat swarm optimization

    YASEMİN BURCU GÜNDOĞDU

    Doktora

    Türkçe

    Türkçe

    2018

    İstatistikHacettepe Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. ÇAĞDAŞ HAKAN ALADAĞ

  3. Tez No

    371814

    An efficient evolutionary clustering and prediction model for gene expression time series data

    Gen ifadesi zaman serisi verileri için etkin bir evrimsel kümeleme ve öngörü modeli

    ATAKAN ERDEM

    Doktora

    İngilizce

    İngilizce

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. TAFLAN İMRE GÜNDEM

  4. Tez No

    556020

    Kontrol teorisi uygulamaları ile zaman serisi öngörülerinin iyileştirilmesi

    Improvement of time series forecasts via control theory applications

    CEM RECAİ ÇIRAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik MühendisliğiHacettepe Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. AYDIN ULUCAN

  5. Tez No

    321537

    Parçacık sürü optimizasyonuna dayalı bulanık zaman serisi yaklaşımı

    Fuzzy time series forecasting method based on particle swarm optimization

    ALİ ZAFER DALAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    İstatistikOndokuz Mayıs Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. EROL EĞRİOĞLU

Geri Dön