YAPAY SİNİR AĞLARI VERİ ÖN İŞLEMESİ: ZAMAN SERİSİ TAHMİNLEMESİ İÇİN GEREKLİ MİDİR?

Basit Öğe Kaydı
dc.contributor.authorPabuçcu, Hakan
dc.date.accessioned2020-01-26T19:49:02Z
dc.date.available2020-01-26T19:49:02Z
dc.date.issued2017
dc.departmentBayburt Üniversitesien_US
dc.description.abstractYapay sinir ağları zaman serisi tahmini problemlerinin çözümünde sıklıkla kullanılan modellerdir. ARMA veya ARIMA gibi geleneksel zaman serisi tahmin modelleri ile karşılaştırıldıklarında da bazı avantajlara sahiptirler. Sinir ağları normal dağılıma uygunluk gibi değişkenlerin sağlaması gereken bazı istatistiksel varsayımların sağlanmasını gerektirmez. Bununla birlikte normalizasyon, trenden arındırma veya mevsimsel düzeltme gibi bazı veri ön işleme uygulamaları ile daha iyi sonuçların üretildiği de bazı çalışmalarda görülmektedir. Bu çalışmada, trend, mevsimsellik ve birim kök içeren zaman serilerine uygulanan veri ön işleme uygulamalarının tahmin sonuçlarına etkileri araştırılmıştır. Bu amaçla, bazı değişkenlere ait aylık ve çeyreklik veriler kullanılarak doğrusal olmayan oto regresif (NAR) ve çok katmanlı algılayıcı (MLP) modellerinin tahmin performansları araştırılmıştır. Sonuçlara göre veri ön işleme uygulamaları arasında önemli farklılıklar tespit edilmekle birlikte, fark serileri ile oluşturulan MLP modellerinin en kötü sonuçları ürettiği açık bir şekilde görülmüştüren_US
dc.description.abstractNeural networks (NNs) are a commonly used method to solve the time series-forecasting problem. NNs have some advantages compared with traditional forecasting models, such as auto regressive moving average or auto regressive integrated moving average. NNs do not need to have any statistical assumption like normal distribution. However, data preprocessing, normalization, trend adjusting, seasonal adjusting, or both differencing can introduce better results in some studies. In this study, we have tried to investigate whether data preprocessing methods are useful for time series data, which contains trend, seasonality or unit root. For this purpose, we collected the real time series data belonging to monthly or quarterly observations and used nonlinear autoregressive (NAR) and multilayer perceptron (MLP) models. Although we obtained significant differences between data preprocessing methods, the structure of MLP with differenced variable produced the worst resultsen_US
dc.identifier.endpage154en_US
dc.identifier.issn1309-3762
dc.identifier.issn2149-1585
dc.identifier.issue17en_US
dc.identifier.startpage147en_US
dc.identifier.trdizinid257103en_US
dc.identifier.urihttp://www.trdizin.gov.tr/publication/paper/detail/TWpVM01UQXpNdz09
dc.identifier.urihttps://hdl.handle.net/20.500.12403/1576
dc.identifier.volume9en_US
dc.indekslendigikaynakTR-Dizinen_US
dc.language.isotren_US
dc.relation.ispartofAkademik Araştırmalar ve Çalışmalar Dergisien_US
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanıen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectÇevre Çalışmalarıen_US
dc.subjectHukuken_US
dc.subjectİktisaten_US
dc.subjectİşen_US
dc.subjectİşletmeen_US
dc.subjectİşletme Finansen_US
dc.subjectKamu Yönetimien_US
dc.subjectKentsel Çalışmalaren_US
dc.subjectSiyasi Bilimleren_US
dc.subjectUluslararası İlişkileren_US
dc.titleYAPAY SİNİR AĞLARI VERİ ÖN İŞLEMESİ: ZAMAN SERİSİ TAHMİNLEMESİ İÇİN GEREKLİ MİDİR?en_US
dc.title.alternativeNEURAL NETWORK DATA PREPROCESSING: IS IT NECESSARY FOR TIME SERIES FORECASTING?en_US
dc.typeArticleen_US

Dosyalar

Koleksiyon

TR-Dizin İndeksli Yayınlar Koleksiyonu