• Türkçe
    • English
  • English 
    • Türkçe
    • English
  • Login
View Item 
  •   DSpace@Bayburt
  • Araştırma Çıktıları | TR-Dizin | WoS | Scopus | PubMed
  • TR-Dizin İndeksli Yayınlar Koleksiyonu
  • View Item
  •   DSpace@Bayburt
  • Araştırma Çıktıları | TR-Dizin | WoS | Scopus | PubMed
  • TR-Dizin İndeksli Yayınlar Koleksiyonu
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

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

Date

2017

Author

Pabuçcu, Hakan

Metadata

Show full item record

Abstract

Yapay 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 görülmüştür
 
Neural 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 results
 

Source

Akademik Araştırmalar ve Çalışmalar Dergisi

Volume

9

Issue

17

URI

http://www.trdizin.gov.tr/publication/paper/detail/TWpVM01UQXpNdz09
https://hdl.handle.net/20.500.12403/1576

Collections

  • TR-Dizin İndeksli Yayınlar Koleksiyonu [330]



DSpace software copyright © 2002-2015  DuraSpace
Contact Us | Send Feedback
Theme by 
@mire NV
 

 




| Policy | Guide | Contact |
DSpace@Bayburt

by OpenAIRE
Advanced Search

sherpa/romeo

Browse

All of DSpaceCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsTypeLanguageDepartmentCategoryPublisherAccess TypeInstitution AuthorThis CollectionBy Issue DateAuthorsTitlesSubjectsTypeLanguageDepartmentCategoryPublisherAccess TypeInstitution Author

My Account

LoginRegister

Statistics

View Google Analytics Statistics

DSpace software copyright © 2002-2015  DuraSpace
Contact Us | Send Feedback
Theme by 
@mire NV
 

 


|| Policy || Guide || Library || Bayburt University || OAI-PMH ||

Bayburt Üniversitesi Kütüphane ve Dokümantasyon Daire Başkanlığı, Bayburt, Turkey
If you find any errors in content, please contact: kutuphane@bayburt.edu.tr

Creative Commons License
DSpace@Bayburt by Bayburt University Institutional Repository is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 3.0 Unported License..

DSpace@Bayburt:


DSpace 6.2

tarafından İdeal DSpace hizmetleri çerçevesinde özelleştirilerek kurulmuştur.