Akademik Veri Yönetim Sistemi
Cağcağ Yolcu Ö. (Yürütücü), Birim G.
Yükseköğretim Kurumları Destekli Proje, 2023 - 2023
| Hem teorik hem de pratik açıdan önemli ve zengin olması, zaman serisi tahmin modellerini finans, sağlık, çevre ve enerji gibi geniş araştırma alanında daha uygun ve popüler hale getirmektedir. Kamu ve özel sektörde geniş bir uygulama yelpazesine sahip olduklarından, karar vericiler için zaman serisi tahmin problemleri her zaman çok önemlidir. Zaman serilerinin tahmin problemlerinde gelecekle ilgili doğru ve mantıklı kararlara varmak için geleceğin doğru bir resmini elde etmek hayati ve temel bir amaçtır. Literatürde, olasılıksal modeller olarak da adlandırılabilecek, klasik zaman serisi öngörü yöntemleri sıklıkla kullanıyor olmasına rağmen, model yapısı, gözlem sayısı, durağanlık, özel dağılım vb. varsayımları gerektirmeleri nedeniyle, birçok gerçek hayat zaman serisinin öngörülmesinde yetersiz kaldığı söylenebilir. Yapay sinir ağları (YSA) gibi hesaplamalı yaklaşımlara dayalı olasılıksal olmayan öngörü araçları ise, özellikle son yıllarda zaman serisi öngörü problemlerinde yaygın bir şekilde kullanılmaktadır. Doğrusal olmayan yapıları öğrenme yetenekleri ve bilgisayar teknolojisinin gelişimi ile YSA zaman serilerinin öngörülmesi oldukça başarılı öngörü sonuçları üretmiştir. Bununla birlikte Klasik YSA’nın yerine derin sinir ağlarının kullanımı ile, özellikle büyük verilerde, veri özelliklerini çıkartma, ayrıştırma ve öğrenmede YSA’na göre daha üstün yeteneklere sahip olan bir zaman serisi öngörü aracı geliştirilebilir. Derin öğrenme prensiplerine dayalı olarak kurgulanan Derin sinir ağları (DSA) geleneksel YSA’ndan farklı olarak, birden çok gizli katman kullanır. En basit tanımlamayla, belirli bir düzeyde karmaşıklığa sahip bir sinir ağı, ki bu genellikle en az iki katman içermesi anlamını taşır, DSA olarak nitelendirilir. DSA, karmaşık matematik modellemesi kullanarak verileri karmaşık yollarla işler. Bu tez projesi kapsamında farklı yapıdaki zaman serilerinin öngörülmesi için farklı özelliklere sahip DSA’na dayalı öngörü modelleri oluşturulması ve bu modellerin performanslarının karşılaştırılmalı olarak değerlendirilmesi amaçlanmıştır. Bu bağlamda, farklı özelliklere sahip, farklı çok katmanlı ileri beslemeli yapay sinir ağlarının derin yapılı versiyonlarının kullanımının yanı sıra, Uzun-Kısa Vadeli Bellek (Long short-term memory - LSTM), Evrişimsel Sinir Ağları (Convolutional neural network - CNN) kullanımı planlanmaktadır. Uygulama aşamasında, zaman serilerinin oluşturacağı veri setleri, yapay sinir ağlarının eğitimini gerçekleştirmek amacıyla kullanılacak “eğitim kümesi” ve DSA’nın performansını değerlendirmek ve öngörülerin güvenilirliğini ortaya koymak amacıyla kullanılacak “test kümesi” şeklinde iki kısmda değerlendirilecektir. DSA performansları ise “Hata Kareler Ortalaması (HKOK)”, “Ortalama Mutlak Hata (OMH)”, “Ortalama Mutlak Yüzdelik Hata (OMYH)” ve “Ortanca Mutlak Yüzdelik Hata (OrMYH)” gibi farklı hata ölçütleri bakımından test kümesi üzerinden değerlendirilecektir. |