Zaman serisi öngörüsü için yapay sinir ağlarına dayalı yeni bir bulanık fonksiyon yaklaşımı
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Marmara Üniversitesi, Fen Bilimleri Enstitüsü, İstatistik Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: MEHMET RACİ AKTOPRAK
Danışman: Özge Cağcağ Yolcu
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Zaman serisi tahmin problemi, birçok alanda karar vericilerin karşılaştığı bir problemdir. İlgili sektör veya alanlarda gelecekte neler ile karşılaşılabileceği, belirlenen strateji ve politikaların ne gibi sonuçlara yol açabileceği gibi sorulara cevap bulmada önemli rol oynayan tahminleri elde etmek için farklı modeller geliştirilmiştir. Geleneksel modeller birçok alanda yaygın olarak kullanılmakla birlikte, gerektirdikleri katı varsayımların yol açtığı dezavantajları aşmak için farklı yaklaşım ve modeller de ortaya konulmuştur. Zaman serisi problemlerinde bulanık tabanlı modeller, belirsizliklere yaklaşımları sayesinde üstün performans gösterirken, hesaplama tabanlı modeller, doğrusal olmayan modellere yüksek adaptasyon kabiliyeti sayesinde üstün performans göstermektedir. Zaman serileri çok sayıda ve kaotik ilişkilerden oluşabileceğinden doğru tahminlere ulaşmak oldukça zor bir iştir. Bulanık Regresyon Fonksiyonları (FRF) yaklaşımı, girdilerin bir dizi doğrusal fonksiyonunun bir kombinasyonu olan bütünsel bir model oluşturur. Ancak, girdi ve çıktı arasındaki ilişki her zaman doğrusal olmayabilir. Bu yüksek lisans tezinde yeni bir FRF yaklaşımı önerilmektedir. Hem hesaplamalı hem de bulanık tabanlı modellerin avantajlarına sahip, sinir ağlarına dayalı doğrusal olmayan yapıda bulanık regresyon fonksiyonları oluşturularak literatürdeki bazı boşlukların doldurulması amaçlanmaktadır. Önerilen tahmin aracı, Bulanık C-Ortalamalar (FCM) kümeleme algoritması aracılığıyla, zaman serilerinin reel gözlemlerini bulanıklaştırarak üyelikleri üretmektedir. Reel değerli zaman serisinin gecikmeli gözlemlerinden ve bu üyelik değerlerinin bazı dönüşümlerinden girdiler üretilir. Bulanık küme sayısına eşit sayıda ileri beslemeli sinir ağı, girdilerin doğrusal olmayan fonksiyonu olarak çıktıları üretir. Bu çıktılar, ilgili zaman noktasının ilgili bulanık kümelere ait olma derecesini temsil eden üyelik değerleri ile birleştirilerek nihai çıktılara dönüştürülür. Önerilen model Bulanık Regresyon Ağ Fonksiyonları (FRNF) olarak adlandırılabilinir. Önerilen FRNF'in performansı bazı kriterler açısından, farklı gerçek hayat zaman serilerine uygulanarak ortaya konmuştur.