Zaman Serisi Analizi ve Tahmin

Yapay Zekâ ve Veri Dersleri Rehberi · Kısım IV: Veri
Eğilim ve mevsimDurağanlıkARIMA ve düzleştirmeDerin tahminDeğerlendirmeKomşu dersler
Sercan KÜLCÜ · Giresun Üniversitesi · Bilgisayar Mühendisliği

Giriş

Ders Hangi Soruyu Sorar?

Zamana bağlı ölçümlerden yapı nasıl çıkarılır ve gelecek nasıl tahmin edilir?

Zaman serisi analizi, sırası önemli olan ölçümleri inceler: dünkü değer bugünkünü etkiler. Ders seriyi eğilim, mevsimsellik ve gürültüye ayırmayı, öz ilintiyi modellemeyi ve geleceği belirsizliğiyle birlikte tahmin etmeyi öğretir.

Bir bakışta

Yaklaşım

zamana bağlı istatistiksel model

Girdi

zaman damgalı ölçümler

Çıktı

tahmin, eğilim, mevsimsellik

Başarı ölçütü

tahmin hatası (MAE, RMSE)

Matematik yükü

orta-yüksek

Veri ihtiyacı

uzun geçmiş

Giriş

Kısa Tarihçe

1927

Yule, güneş lekesi sayılarını otoregresif (AR) bir modelle açıklar.

1960

Kalman filtresi yayımlanır: gürültülü ölçümlerden gizli durumu adım adım kestirir.

1970

Box ve Jenkins'in kitabı ARIMA modellerini ve kurma yöntemini yerleştirir.

1982

Engle, oynaklığın zamanla değiştiği ARCH modelini önerir.

1997

Hochreiter ve Schmidhuber LSTM'yi tanıtır; uzun bağımlılıklar öğrenilebilir olur.

2017

Facebook, mevsimsellik ve tatilleri ayrıştıran Prophet kütüphanesini açık kaynak yapar.

Ders

Temel Kavramlar

Eğilim ve mevsimsellik

Uzun vadeli yön ve düzenli yinelenen döngüler.

Durağanlık

Ortalama ve varyansın zamanla değişmemesi.

Öz ilinti (ACF)

Serinin kendi geçmiş değerleriyle ilintisi.

Fark alma

Eğilimi silip seriyi durağan yapmak.

ARIMA

Öz regresyon, fark alma ve hareketli ortalama birlikte.

Üstel düzleştirme

Yakın geçmişe daha çok ağırlık veren tahmin.

Tahmin aralığı

Tek sayı değil, belirsizliğiyle birlikte tahmin.

Zamana göre bölme

Test hep eğitimden sonra gelir; karıştırılmaz.

Ders

Tipik İş Akışı

Görselleştirçizim,ayrıştırmaDönüştürfark alma,logaritmaModel seçACF, PACF,AICKaydırarakdoğrulazamana görebölmeTahmin etnokta vearalık
Örnek: Bir elektrik şirketi saatlik tüketimi çizer, günlük ve haftalık döngüleri ayırır, sıcaklığı da girdi alan bir model kurar, geçmiş haftalar üzerinde kaydırarak sınar ve ertesi günün yükünü yüzde 95 tahmin aralığıyla verir.

Dene

Gelecek Yazın Dondurma Siparişi

Bir dondurma üreticisi, son üç yılın aylık satışına bakıp gelecek ayların üretimini planlıyor. Bir yöntem ve ufuk seçin; son yılın gerçek satışları saklanmış, tahmin onlarla ölçülür.

Naif ve hareketli ortalama mevsimi göremez: yazın düz bir çizgi çizerler. Mevsimsel yöntemler geçen yılın biçimini taşır; Holt-Winters buna büyüme eğilimini de ekler.

Konum

Ön Koşullar

Bu dersten önce bilinmesi yararlı olan dersler ve neden gerektikleri.

DersNeden gerekir
Olasılık ve İstatistikdurağanlık, öz ilinti, ARIMA
Analiz (Kalkülüs)seriler, türev ve integral: modellerin ve süzgeçlerin dili
ProgramlamaPython ile dosya okuma, tarih işleme ve çizim

Konum

Dersin Komşuları

alt alantemel alıryöntem paylaşıruygulama

Örtüşme

Örtüştüğü Dersler

İlişkiDersOrtak konu
temel alırBu ders Olasılık ve İstatistik dersini temel alırdurağanlık, öz ilinti, ARIMA
yöntem paylaşırDerin Öğrenme ile yöntem paylaşıryinelemeli ağlar, dikkat temelli tahmin
yöntem paylaşırSayısal Sinyal İşleme ile yöntem paylaşırfrekans analizi, süzgeçleme
yöntem paylaşırUzaktan Algılama ile yöntem paylaşırçok zamanlı görüntü serileri

Ayrışma

Ayrıştığı Noktalar (1/2)

ÖlçütZaman SerisiOlasılık ve İstatistikSayısal Sinyal İşleme
Temel soruZamana bağlı ölçümlerden yapı nasıl çıkarılır ve gelecek nasıl tahmin edilir?Belirsizlik nasıl ölçülür ve sınırlı veriden nasıl güvenilir sonuç çıkarılır?Örneklenmiş sinyaller nasıl çözümlenir, süzülür ve dönüştürülür?
Yaklaşımzamana bağlı istatistiksel modelolasılık modeli ve çıkarımmatematiksel dönüşüm ve süzgeç
Girdizaman damgalı ölçümlerörneklem verisiörneklenmiş sinyal
Çıktıtahmin, eğilim, mevsimsellikkestirim, güven aralığı, test sonucusüzülmüş sinyal, spektrum
Başarı ölçütütahmin hatası (MAE, RMSE)yansızlık, güç, anlamlılıksinyal-gürültü oranı, frekans yanıtı
Matematik yüküorta-yüksekkuramın kendisiyüksek: karmaşık sayı, Fourier
Veri ihtiyacıuzun geçmişörneklemöğrenme yok; sinyal yeter
  • Olasılık ve İstatistik: İstatistik çoğunlukla bağımsız gözlem varsayar; bu ders gözlemlerin birbirine bağlı olduğu sıralı veriyle uğraşır.
  • Sayısal Sinyal İşleme: Sinyal işleme sinyali süzer ve frekansına bakar; bu ders aynı araçları geleceği tahmin etmek için kullanır.

Ayrışma

Ayrıştığı Noktalar (2/2)

ÖlçütZaman SerisiDerin ÖğrenmeMakine Öğrenmesi
Temel soruZamana bağlı ölçümlerden yapı nasıl çıkarılır ve gelecek nasıl tahmin edilir?Çok katmanlı ağlar ham veriden kullanışlı temsilleri nasıl kendisi öğrenir?Bir program örneklerden nasıl genelleme yapar?
Yaklaşımzamana bağlı istatistiksel modelçok katmanlı temsil öğrenmeistatistiksel öğrenme
Girdizaman damgalı ölçümlerham veri: görüntü, metin, sesetiketli ya da etiketsiz örnekler
Çıktıtahmin, eğilim, mevsimselliköğrenilmiş temsil ve tahmintahmin yapan model
Başarı ölçütütahmin hatası (MAE, RMSE)doğruluk, kayıp, ölçeklenmegörülmemiş veride hata
Matematik yüküorta-yüksekyüksek: türev, matris, olasılıkyüksek: doğrusal cebir, olasılık, optimizasyon
Veri ihtiyacıuzun geçmişçok; GPU gerekirorta ve çok
  • Derin Öğrenme: Derin öğrenme tahmin için güçlü bir model ailesi verir; bu ders ne zaman basit bir modelin yeteceğini de öğretir.
  • Makine Öğrenmesi: MÖ örnekleri karıştırıp rastgele böler; bu derste zaman sırası bozulmaz, model yalnız geçmişle eğitilir.

Uygulama

Uygulama Alanları

Talep tahmini

Satış, stok ve üretim planlaması.

Enerji yükü

Elektrik tüketimi ve yenilenebilir üretim.

Finans

Oynaklık, risk ve getiri modelleri.

Hava ve iklim

Sıcaklık, yağış ve CO₂ serileri.

Anomali tespiti

Sunucu ve sensör ölçümlerinde sapma.

Ekonomi

Enflasyon, işsizlik ve büyüme tahmini.

Uygulama

Araçlar ve Örnek Veriler

Araçlar ve kütüphaneler

pandasstatsmodelsProphetsktimeDartsR forecast / fable

Tanınmış veri setleri

Hava yolu yolcuları (Box-Jenkins)Güneş lekesi sayılarıM4 ve M5 yarışmalarıUCI Electricity Load DiagramsMauna Loa CO₂ ölçümleriJena iklim verisi

Uygulama

Sık Karıştırılanlar

Yaygın düşünceDoğrusu
Zaman serisi verisi rastgele bölünerek sınanabilir.Gelecekteki değerler eğitime sızar; sınama hep zaman sırasına göre yapılır.
Derin ağlar her seride klasik modelleri geçer.M yarışmalarında basit ve istatistiksel yöntemler çoğu zaman çok güçlü çıkmıştır.
İyi model tek bir doğru sayı verir.Tahmin belirsizdir; karar için tahmin aralığı en az nokta tahmini kadar önemlidir.
Geçmişte işleyen model hep işler.Yapısal kırılmalar (salgın, kriz) seriyi değiştirir; model izlenip yenilenmelidir.

Sonrası

Bu Dersten Sonra

Bu dersi temel alan ya da genişleten dersler

Bu ders çoğunlukla uç noktadır; öteki dersleri temel alır.

İlgili meslekler

Tahmin analistiVeri bilimciKantitatif analistTalep planlama uzmanıEnerji veri analisti
Bu dersten sonra sinyal işlemeyle frekans çözümlemesine, derin öğrenmeyle dönüştürücü tabanlı tahmine, uzaktan algılamayla çok zamanlı uydu görüntülerine geçilebilir. Ekonometri ve durum uzayı modelleri de doğal devam yollarıdır.

Sonrası

Kaynaklar

  • Hyndman ve Athanasopoulos, Forecasting: Principles and Practice, 3. baskı, OTexts, 2021.
  • Box, Jenkins, Reinsel ve Ljung, Time Series Analysis: Forecasting and Control, 5. baskı, Wiley, 2015.
  • Shumway ve Stoffer, Time Series Analysis and Its Applications, 4. baskı, Springer, 2017.
  • Brockwell ve Davis, Introduction to Time Series and Forecasting, 3. baskı, Springer, 2016.

Son

Bölüm 29: Zaman Serisi Analizi ve Tahmin
← Önceki bölüm · Alanın haritası · Sonraki bölüm →
1 / 1 Sercan KÜLCÜ, Tüm hakları saklıdır.