Zaman Serisi Analizi ve Tahmin
Giriş
Ders Hangi Soruyu Sorar?
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
zamana bağlı istatistiksel model
zaman damgalı ölçümler
tahmin, eğilim, mevsimsellik
tahmin hatası (MAE, RMSE)
orta-yüksek
uzun geçmiş
Giriş
Kısa Tarihçe
Yule, güneş lekesi sayılarını otoregresif (AR) bir modelle açıklar.
Kalman filtresi yayımlanır: gürültülü ölçümlerden gizli durumu adım adım kestirir.
Box ve Jenkins'in kitabı ARIMA modellerini ve kurma yöntemini yerleştirir.
Engle, oynaklığın zamanla değiştiği ARCH modelini önerir.
Hochreiter ve Schmidhuber LSTM'yi tanıtır; uzun bağımlılıklar öğrenilebilir olur.
Facebook, mevsimsellik ve tatilleri ayrıştıran Prophet kütüphanesini açık kaynak yapar.
Ders
Temel Kavramlar
Uzun vadeli yön ve düzenli yinelenen döngüler.
Ortalama ve varyansın zamanla değişmemesi.
Serinin kendi geçmiş değerleriyle ilintisi.
Eğilimi silip seriyi durağan yapmak.
Öz regresyon, fark alma ve hareketli ortalama birlikte.
Yakın geçmişe daha çok ağırlık veren tahmin.
Tek sayı değil, belirsizliğiyle birlikte tahmin.
Test hep eğitimden sonra gelir; karıştırılmaz.
Ders
Tipik İş Akışı
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.
Konum
Ön Koşullar
Bu dersten önce bilinmesi yararlı olan dersler ve neden gerektikleri.
| Ders | Neden gerekir |
|---|---|
| Olasılık ve İstatistik | durağanlık, öz ilinti, ARIMA |
| Analiz (Kalkülüs) | seriler, türev ve integral: modellerin ve süzgeçlerin dili |
| Programlama | Python ile dosya okuma, tarih işleme ve çizim |
Konum
Dersin Komşuları
Örtüşme
Örtüştüğü Dersler
| İlişki | Ders | Ortak konu |
|---|---|---|
| temel alır | Bu ders Olasılık ve İstatistik dersini temel alır | durağanlık, öz ilinti, ARIMA |
| yöntem paylaşır | Derin Öğrenme ile yöntem paylaşır | yinelemeli ağlar, dikkat temelli tahmin |
| yöntem paylaşır | Sayısal Sinyal İşleme ile yöntem paylaşır | frekans analizi, süzgeçleme |
| yöntem paylaşır | Uzaktan Algılama ile yöntem paylaşır | çok zamanlı görüntü serileri |
Ayrışma
Ayrıştığı Noktalar (1/2)
| Ölçüt | Zaman Serisi | Olasılık ve İstatistik | Sayısal Sinyal İşleme |
|---|---|---|---|
| Temel soru | Zamana 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? |
| Yaklaşım | zamana bağlı istatistiksel model | olasılık modeli ve çıkarım | matematiksel dönüşüm ve süzgeç |
| Girdi | zaman damgalı ölçümler | örneklem verisi | örneklenmiş sinyal |
| Çıktı | tahmin, eğilim, mevsimsellik | kestirim, güven aralığı, test sonucu | süzülmüş sinyal, spektrum |
| Başarı ölçütü | tahmin hatası (MAE, RMSE) | yansızlık, güç, anlamlılık | sinyal-gürültü oranı, frekans yanıtı |
| Matematik yükü | orta-yüksek | kuramın kendisi | yüksek: karmaşık sayı, Fourier |
| Veri ihtiyacı | uzun geçmiş | örneklem | öğrenme 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)
| Ölçüt | Zaman Serisi | Derin Öğrenme | Makine Öğrenmesi |
|---|---|---|---|
| Temel soru | Zamana 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? |
| Yaklaşım | zamana bağlı istatistiksel model | çok katmanlı temsil öğrenme | istatistiksel öğrenme |
| Girdi | zaman damgalı ölçümler | ham veri: görüntü, metin, ses | etiketli ya da etiketsiz örnekler |
| Çıktı | tahmin, eğilim, mevsimsellik | öğrenilmiş temsil ve tahmin | tahmin yapan model |
| Başarı ölçütü | tahmin hatası (MAE, RMSE) | doğruluk, kayıp, ölçeklenme | görülmemiş veride hata |
| Matematik yükü | orta-yüksek | yüksek: türev, matris, olasılık | yüksek: doğrusal cebir, olasılık, optimizasyon |
| Veri ihtiyacı | uzun geçmiş | çok; GPU gerekir | orta 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
Satış, stok ve üretim planlaması.
Elektrik tüketimi ve yenilenebilir üretim.
Oynaklık, risk ve getiri modelleri.
Sıcaklık, yağış ve CO₂ serileri.
Sunucu ve sensör ölçümlerinde sapma.
Enflasyon, işsizlik ve büyüme tahmini.
Uygulama
Araçlar ve Örnek Veriler
Araçlar ve kütüphaneler
Tanınmış veri setleri
Uygulama
Sık Karıştırılanlar
| Yaygın düşünce | Doğrusu |
|---|---|
| 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
İlgili meslekler
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.