Performance comparison of machine learning methods and traditional time series methods for forecasting

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Edebiyat Fakültesi, İstatistik Bölümü, Türkiye

Tezin Onay Tarihi: 2020

Tezin Dili: İngilizce

Öğrenci: OZANCAN ÖZDEMİR

Danışman: Ceylan Yozgatlıgil

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Zaman serisi analizin en temel amaçlarından biri tahminleme yapmaktır. Literatürde tahminleme için hem istatistiksel hem de makine öğrenmesi modellerinin kullanıldığı ve önerildiği görülmektedir. Bu çalışma, bu yaklaşımlardan bazılarının zaman serilerinin modellenmesi ve tahminlenmesi yönünden karşılaştırmalarını içermektedir. Naive, mevsimel naive, otoregresif tamamlanmış hareketli ortalama, mevsimsel otoregresif tamamlanmış hareketli ortalama, üstel düzleştirme, Bayesçi üstel düzleştirme, TBATS ve STL modelleri gibi istatistiksel zaman serisi modellerine ek olarak, rassal ormanlar, destek vektör makinesi, ekstrem gradyan arttırma, Bayesçi yapay sinir ağları, tekrarlayan yapay sinir ağları, uzun kısa süreli bellek ve ileri beslemeli sinir ağları modelleri de kullanılarak çalışmadaki zaman serileri tahminlenmiştir. Zaman serileri genel yapılarında hem doğrusal hem doğrusal olmayan içerikleri barındırmaktadır. Bu yapıyla ilgilenmek için, Zhang bir hibrit yaklaşım önermiştir. Bu yaklaşıma göre, tahmin değerleri doğrusal ve doğrusal olmayan içeriklerin toplamından elde edilecektir. Yukarıda sıralanan modellere ek olarak, doğrusal içerikler için istatistiksel, doğrusal olmayan içerikler için de makine öğrenmesi modellerinin kullanıldığı hibrit modeller de tahminleme için kullanılmıştır. Bu çalışmada kullanılan veri seti M4 Yarışmasında kullanılan veri setinde yer alan farklı zaman frekanslarına sahip serilerden sayılarına orantılı bir şekilde seçilerek oluşturulmuştur. Modellerin uygulanmasından sonra, modellerin tahmin performansları karşılaştırılmıştır. Bu karşılaştırma sonucunda, bu çalışmadaki en iyi tahmin performansına sahip modellerin çoğunlukla makine öğrenmesi metotları arasından seçildiği görülmüştür. Aynı zamanda modellerin tahmin performansının tahminlenen serinin zaman frekansına ve tahminin uzunluğuna bağlı olduğu görülmüştür. Son olarak, bu çalışma ile hibrit yaklaşımın zaman serileri için her zaman en iyi tahminleme metodu olmadığı kantılanmıştır.