SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2020 / Cilt: 35 - Sayı: 1

Tek değişkenli zaman serileri tahmini için öznitelik tabanlı hibrit ARIMA-YSA modeli

Ümit Çavuş BÜYÜKŞAHİN
Şeyda ERTEKİN
Pages
467–478
Publication Date
2019-10-25
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Geliştirilen yöntemin değerlendirilmesi dört farklı veri seti üzerinde yapılmış olup, mevcut kabul görmüş yöntemlere kıyasla daha başarılı sonuçlar elde edildiği görülmüştür.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Zaman serilerinde yüksek performanslı tahminleme yapabilmek birçok uygulama alanı için temel öneme sahiptir.
📊
Key Findings & Data:Bu metotlardan tek değişkenli zaman serilerine odaklanmış olanlar, serinin sadece geçmiş tarihinde yer alan değerleri kullanarak, gelecekteki değerlerin tahminini yapmaktadır.
💡
Conclusion & Impact:Geliştirilen yöntemin değerlendirilmesi dört farklı veri seti üzerinde yapılmış olup, mevcut kabul görmüş yöntemlere kıyasla daha başarılı sonuçlar elde edildiği görülmüştür.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Zaman serisi tahmini · yapay sinir ağı · otoregresif bütünleşik hareketli ortalama

Özet

Zaman serilerinde yüksek performanslı tahminleme yapabilmek birçok uygulama alanı için temel öneme sahiptir. Literatürde zaman serisi tahmin doğruluğunu artırmak için birçok metot önerilmiştir. Bu metotlardan tek değişkenli zaman serilerine odaklanmış olanlar, serinin sadece geçmiş tarihinde yer alan değerleri kullanarak, gelecekteki değerlerin tahminini yapmaktadır. Bu çalışmada, tek değişkenli zaman serilerinin geçmiş değerlerinin yanında, serinin karakteristiğini özetleyen yapısal özniteliklerinin de kullanılarak, tahmin performansının artırılması hedeflenmiştir. Zaman serilerinin istatistiksel özetini sunan özniteliklerin önem puanları gradyan artırım ağaçları (GBT) ile belirlenmektedir. En yüksek önem puanına sahip olan öznitelikler, hibrit ARIMA-YSA modeline açıklayıcı ilave değişkenler olarak verilmektedir. Geliştirilen yöntemin değerlendirilmesi dört farklı veri seti üzerinde yapılmış olup, mevcut kabul görmüş yöntemlere kıyasla daha başarılı sonuçlar elde edildiği görülmüştür.

🔖

Cite This Article

BÜYÜKŞAHİN, Ü. Ç., ERTEKİN, Ş. (2019). Tek değişkenli zaman serileri tahmini için öznitelik tabanlı hibrit ARIMA-YSA modeli. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 35 - Sayı: 1, 467–478. https://ajindex.com/articles/19858

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (5)

  1. Weigend, A, Time series prediction: forecasting the future and understanding the past, New York: Routledge, 2018.
  2. J. Contreras, R. Espinola, F. Nogales, A. J. Conejo, ARIMA Models to Predict Next-Day Electricity Prices, Power Engineering Review, IEEE 22 (2002) 57-57. doi:10.1109/MPER.2002.4312577. E. Gonzalez-Romera, M. A. Jaramillo-Moran, D. Carmona-Fernandez, Monthly Electric Energy Demand Forecasting Based on Trend Extraction, IEEE Transactions on Power Systems 21 (4) (2006) 1946-1953. doi:10.1109/TPWRS.2006.883666. V. K P, P. Sahu, B. Dhekale, P. Mishra, Modelling and Forecasting Sugarcane and Sugar Production in India, Indian Journal of Economics and Development 12 (2016) 71. doi:10.5958/2322-0430.2016.00009.3. W.-c. Wang, K.-w. Chau, D.-M. Xu, X.-Y. Chen, Improving Forecasting Accuracy of Annual Runo Time Series Using ARIMA Based on EEMD Decomposition, Water Resources Management 29 (2015) 2655-2675. doi: 10.1007/s11269-015-0962-6.
  3. V. Ediger, S. Akar, ARIMA forecasting of primary energy demand by fuel in Turkey, Energy Policy 35 (2007) 1701-1708. doi:10.1016/j.enpol.2006.05.009. A. Lapedes, R. Farber, Nonlinear Signal Processing Using Neural Networks: Prediction and System Modelling, 1. IEEE international conference on neural networks, 1987,
  4. San Diego. W.-S. Chen, Y.-K. Du, Using Neural Networks and Data Mining Techniques for the Financial Distress Prediction Model, Expert Syst. Appl. 36 (2) (2009) 4075-4086. doi:10.1016/j.eswa.2008.03.020. D. Singhal, K. S. Swarup, Electricity price forecasting using artificial neural networks, International Journal of Electrical Power Energy Systems 33 (3) (2011) 550-555. doi:10.1016/j.ijepes.2010.12.009. C. H. F. Toro, S. Gomez Meire, J. F. Galvez, F. Fdez-Riverola, A hybrid artificial intelligence model for river flow forecasting, Applied Soft Computing 13 (8) (2013) 3449-3458. doi:10.1016/j.asoc.2013.04.014. B. R. Chang, H. F. Tsai, Novel hybrid approach to data-packet-flow prediction for improving network traffic analysis, Applied Soft Computing 9 (3) (2009) 1177-1183. doi:10.1016/j.asoc.2009.03.003. G. Cybenko, Approximation by superpositions of a sigmoidal function, Mathematics of Control, Signals and Systems (4) (1992) 455-455. doi:10.1007/BF02134016. K. Hornik, M. Stinchcombe, H. White, Multilayer feedforward networks are universal approximators, Neural Networks 2 (5) (1989) 359-366. doi: 10.1016/0893-6080(89)90020-8.
  5. P. Zhang, Time Series Forecasting Using a Hybrid ARIMA and Neural Network Model. Neurocompu