Time series forecasting using machine learning and Ata method
Ata metot ve makine öğrenimi kullanılarak zaman serisi tahminlemesi
- Tez No: 978981
- Danışmanlar: PROF. DR. GÜÇKAN YAPAR
- Tez Türü: Doktora
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, Otoregresif Entegre Hareketli Ortalama (ARIMA) modelini, Ata yönteminin farklı versiyonları ve makine öğrenmesine dayalı bir model seçme stratejisi ile birleştiren güçlü bir hibrit tahmin çerçevesi önermektedir. ARIMA, zaman serisi verilerinde doğrusal ve otokorelasyon kalıplarını bulmak için hâlâ iyi bilinen istatistiksel bir yöntemdir, ancak yapısal değişiklikleri veya doğrusal olmayan dinamikleri modellemede her zaman iyi çalışmayabilir. Buna ek olarak, Ata yöntemi uyarlanabilir seviye ve trend bileşenleri ile esnek düzeltme seçeneklerine sahiptir. Bu çalışmada, her zaman serisi için düzeltme parametreleri sistematik olarak değiştirilerek Ata yönteminin yedi varyasyonu üretilmiştir. En düşük eğitim kümesi içi simetrik ortalama mutlak yüzde hata (sMAPE) değerine sahip varyasyon, doğruluğu sağlamak için seçilmiş, aynı zamanda sağlamlığı artırmak ve aşırı uyumu önlemek için ortanca performansa sahip model de dâhil edilmiştir. Seçilen Ata modelleri ve ARIMA modelinden elde edilen tahminler, her frekans grubu için ayrı ayrı bir ızgara arama algoritması aracılığıyla belirlenen optimize edilmiş bir ağırlıklandırma şeması ile birleştirilmiştir. Zaman serilerinin farklı uzunluk ve frekansta (yıllık, üç aylık, aylık, haftalık, günlük ve saatlik) olduğu M3 ve M4 yarışma veri setleri, tahmin literatüründeki en eksiksiz ve çeşitli veri setlerinden ikisidir. Ampirik değerlendirme, önerilen hibrit modelin her zaman kendi bileşenlerinden ve tüm frekans gruplarında karşılaştırma modellerinden daha iyi performans gösterdiğini ortaya koymaktadır. Hibrit yöntem, resmi hata ölçütleri olan sMAPE ve Genel Ağırlıklı Ortalama'ya (OWA) göre sırasıyla M3 yarışmasında birinci ve M4 yarışmasında ikinci olmuştur. Bu sonuçlar, önerilen yöntemin karmaşık ve çeşitli zaman serisi verilerini tahmin etmek için esnek, büyük veri kümelerini işleyebilen ve doğru bir yaklaşım olduğunu göstermektedir. Ayrıca, geliştirilen metodoloji tamamen yorumlanabilir ve hesaplama açısından etkilidir; bu da onu gerçek dünya uygulamaları için pratik hâle getirmektedir. Uyarlanabilirlik ile istatistiksel sağlamlığı birleştiren bu model, kısa ve uzun vadeli tahminleme görevleri için ölçeklenebilir bir çözüm sunmaktadır.
Özet (Çeviri)
This study suggests a strong hybrid forecasting framework that combines the Auto-Regressive Integrated Moving Average (ARIMA) model with different variations of the Ata method and a model selection strategy based on machine learning. ARIMA is still a well-known statistical method for finding linear and autocorrelation patterns in time series data, but it may not work as well when modeling structural changes or nonlinear dynamics. In addition, the Ata method has flexible smoothing options with adaptive level and trend components. In this study, seven different models of the Ata method are generated for each time series by systematically optimizing smoothing parameters. The variation with the lowest in-sample symmetric mean absolute percentage error (sMAPE) is selected to ensure accuracy, while the median-performing model is also incorporated to promote robustness and prevent overfitting. Forecasts produced by the selected Ata models and the ARIMA model are integrated through an optimized weighting scheme, which is determined separately for each frequency group via a grid search algorithm. The M3 and M4 competition datasets, which have time series of different lengths and frequencies (yearly, quarterly, monthly, weekly, daily, and hourly), are two of the most complete and varied datasets in the forecasting literature. The empirical evaluation shows that the proposed hybrid model always does better than its individual parts and benchmark models in all frequency groups. The hybrid method came in first place in the M3 competition and second place in the M4 competition, according to the official error metrics sMAPE and Overall Weighted Average (OWA), respectively. These results show that the proposed method for predicting complex and varied time series data is flexible, can handle large amounts of data, and is accurate. Moreover, the methodology is entirely interpretable and computationally efficient, making it practical for real-world applications across industries. By fusing adaptiveness with statistical rigor, the model offers a scalable solution for both short-term and long-term forecasting tasks.
Benzer Tezler
- Meta-Learning for time series forecasting
Zaman serilerinde öngörümleme için meta öğrenme
UĞUR BARAN YAPAR
Yüksek Lisans
İngilizce
2023
İstatistikDokuz Eylül Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. İDİL YAVUZ
- Üretim firmalarında talep tahmini için makine öğrenim algoritmalarının kullanılması
Using machine learning algorithms for demand forecasting in manufacturing fFirms
MİRAY BETÜL YILMAZ
Yüksek Lisans
Türkçe
2023
İstatistikDokuz Eylül Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. ÖZGÜL VUPA ÇİLENGİROĞLU
- Performance comparison of machine learning methods and traditional time series methods for forecasting
Geleneksel zaman serisi yöntemleri ve makine öğrenmesi yöntemlerinin öngörü performans karşılaştırması
OZANCAN ÖZDEMİR
Yüksek Lisans
İngilizce
2020
İstatistikOrta Doğu Teknik Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. CEYLAN YOZGATLIGİL
- InSAR ve makine öğrenmesi yöntemleri kullanılarak yüzey hareketlerinin zaman serileri ile modellenmesi: İstanbul Havalimanı örneği
Time series modeling of surface movements using InSAR and machine learning methods: The case study of Istanbul Airport
NUR YAĞMUR
Doktora
Türkçe
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. NEBİYE MUSAOĞLU
PROF. DR. ERDAL ŞAFAK
- Yapay sinir ağları ve makine öğrenmesi ile otomobil satış tahmininin yapılması ve zaman serileri analizi ile karşılaştırılması
Forecasting automobile sales using artificial neural networks and machine learning and comparison with time series analysis
BEYZA KURTGERİ
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. MERVE CENGİZ TOKLU