Probabilistic forecasting of multiple time series with single recurrent neural network

SARP TUĞBERK TOPALLAR

Probabilistic forecasting of multiple time series with single recurrent neural network

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Uygulamalı Matematik Enstitüsü, Bilimsel Hesaplama Anabilim Dalı, Türkiye

Tezin Onay Tarihi: 2022

Tezin Dili: İngilizce

Öğrenci: SARP TUĞBERK TOPALLAR

Danışman: Ceylan Yozgatlıgil

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Zaman serisi tahminleme zaman ile endekslenmiş bir dizi değerin geçmişte almış olduğu değerlere bakılarak gelecekteki değerlerin tahminlenmesi olarak özetlenebilir. Optimal veya optimale en yakın kaynak planlanması geleceğe dair yüksek doğruluklu tahminlimeler gerektirir. Bu çalışma, literatürden hem klasik yöntemler hem de daha çağdaş yöntemler üzerinde yapılan incelemeleri sunmaktadır. İncelenen klasik yöntemler, Otoregresif Entegre Hareketli Ortalama (ARIMA), Üstel Düzeltme (ETS) ve LOESS kullanılarak Mevsimsel-Trend (STL) ayrıştırmasıdır. Öte yandan daha çağdaş zaman serisi modellerinden biri, Uzun Kısa Süreli Bellek (LSTM) hücrelerinden oluşan bir Tekrarlayan Sinir Ağı (RNN) olan DeepAR adlı bir derin öğrenme yöntemidir. Hem çağdaş hem de klasik yaklaşımlar, kendi metodolojilerine özgü zorluklar ortaya çıkarır. Örneğin klasik yöntemler, verilerin kısıtlayıcı modelleme varsayımlarını karşılamasını ve her serinin birer birer ön işleme tabi tutulmasını ve modellenmesini gerektirir. Diğer yandan, makine öğrenimi yöntemleri, eğitim için büyük miktarda kaliteli veri gereksinimi duyarlar veri bolluğunun mevcut olmayabileceği durumlarda bu durum büyük bir zorluk yaratır. Bu araştırmada önerilen çözüm, birçok benzer seriyi aynı anda tek bir ortak modelle modellemektir. Bu araştırma bağlamındaki benzerlik, aynı metriğin ölçüldüğü bir çok ayrık serinin bir arada incelenmesini ifade eder. Araştırma için incelenen veri seti, Türkiye genelinde her bir serinin tek bir konuma karşılık geldiği birçok fiziksel mağazaya olan talep kayıtlarından oluşmaktadır. 2018 ile 2022 yıllarını kapsayan toplam 120 ayrı seri bulunmaktadır. Araştırmada kullanılan DeepAR modeli veri setinden ortak bir olasılık dağılımını öğrenir. Öğrenilen bu olasılık dağılımından yapılan farklı çeyrekliklerdeki örneklemler ile olasılıksal tahminler elde edilir. Seçilen farklı çeyreklikler, farklı hata hassasiyetlerine sahip olan her bir ayrık seri için yapılan tahminler için özel olarak ayarlanabilir ve her seri için farklı bir değere sahip olabilir. Çalışmanın sonunda, doğruluk ölçümü için sağlanan hata metrikleri, öngörülen talebin gerçek değerini gösterirken Mutlak Ortalama Hata (MAE) ve sonuçları ölçekten bağımsız olarak diğer modellerle karşılaştırırken Mutlak Ortalama Yüzdesel Hata (MAPE) metrikleridir. DeepAR modeli, her iki doğruluk metriği açısından da tüm veri seti için ortalama olarak ETS ve ARIMA modellerine kıyasla daha doğru sonuçlar üretmiştir.