Autoregressive forests for multivariate time-series modeling
Çokdeğişkenli zaman serilerinin modellemesinde çokdeğişkenli ormanlar
- Tez No: 474358
- Danışmanlar: YRD. DOÇ. DR. MUSTAFA GÖKÇE BAYDOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
İçerdiği verinin kompleks yapısı sebebiyle Çokdegişkenli Zaman Serileri'nin analizine verilen önem geçtiğimiz on yıl boyunca önemli raddelere yükselmiştir. Farklı uyguluma alanlarında gözlemlenen değişken sayısı ve zaman serilerinin uzunluğundaki artış sebebiyle verimli temsili gösterimler bulmak gereklidir. Örneğin Saklı Markov Modelleri (SMM) ve Özbağlanımlı (AR) modeller gibi model bazlı yaklaşımlar temsili gösterimi modellerle sağlayıp bu problemi çözmek için model parametrelerini kullanmaktadırlar. SMM ve AR modellerinin zaman serisi gösterimi bulmada başarılı olduğu uygulamaların varlığı bilinse de, SMM modelleri veriler arası bağımsızlık varsayımıyla yola çıkmakta ve AR modelleri de değişkenler arasındaki ilişkinin doğrusal olduğunu varsaymaktadır. Gerçeteki çoğu sistem doğrusal olmadığından, geleneksel yöntemler Çokdeğişkenli Zaman Serileri'ne gösterim bulmakta başarısızdır. Bu problemi çözmek için, değişkenler arası doğrusal olmayan bağıntıları da modelleyebilecek özbağlanımlı bir ağaç bazlı topluluk yaklaşım önerilmektedir. Çokdeğişkenli özbağlanımlı orman, yani mv-ARF, güçlü ve etkili temsili gösterimler bulabilecek, büyük veri boyutlarından etkilenmeyen, parametrik olmayan, özbağlanımlı bir yaklaşımdır. Bu yaklaşımın temelinde, öğrenilen modellerden elde edilen tahmin hatası bazlı bir temsili gösterim bulunmaktadır. Bu yönüyle mv-ARF, zaman serisi sınıflandırma problemlerinde sıkça kullanılan“¸cekirdek”yöntemlerine benzemektedir. Bu tezde, mv-ARF yöntemi literatürde yaygınca kullanılan birtakım Çokdeğişkenli Zaman Serisi sınıflandırma problemleri üzerinde uygulanmış, verimli ve literatürdeki ölçütlerle rekabet edebilecek sonuçlar verdiği kanıtlanmıştır.
Özet (Çeviri)
Multivariate Time Series (MTS) modeling has received significant attention in the last decade because of the complex nature of the data. Efficient representations are required to deal with the high dimensionality due to the increase in the number of variables and duration of the time series in different applications. For example, model based approaches such as hidden markov models (HMM) or autoregressive (AR) models focus on finding a model to represent the series with the model parameters to handle this problem. Both HMM amd AR models are known to be very successful in the representation of the time series however most of the HMM approaches assume independence and traditional AR models consider linear dependence between the variables of MTS. As most of the real systems exhibit nonlinear relations, traditional approaches fail to represent the time series. To handle these problems, we propose an autoregressive tree-based ensemble approach that can model the nonlinear behavior embedded in the time-series with the help of tree-based learning. Multivariate autoregressive forest, namely mv-ARF, is a nonparametric vector autoregression approach which provides an easy and efficient representation that scales well with large datasets. An error-based representation based on the learned models is the basis of the proposed approach. This is very similar to time series kernels used for multivariate time series classification problems. We test mv-ARF on MTS classification problems and show that mv-ARF provides fast and competitive results on benchmark datasets from several domains. Furthermore, mv-ARF provides a research direction for vector autoregressive models that breaks from the linear dependency models to potentially foster other promising nonlinear approaches.
Benzer Tezler
- Yapay sinir ağları ve makine öğrenmesi ile otomobil satış tahmininin yapılması ve zaman serileri analizi ile karşılaştırılması
Forecasting automobile sales using artificial neural networks and machine learning and comparison with time series analysis
BEYZA KURTGERİ
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. MERVE CENGİZ TOKLU
- Meteorolojik verilerin ısıl değerlendirilmesi ve bilgisayarda simülasyonu
Başlık çevirisi yok
KAYA SARICALI
- Yıllık akımların gidiş özelliklerini benzeştiren bir matematik modelin araştırılması
Başlık çevirisi yok
E.BEYHAN OĞUZ
- Modelling of autoregressive fields by two-dimensional lattice filters and their entropy properties
Başlık çevirisi yok
AYŞİN ERTÜZÜN
Doktora
İngilizce
1989
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiPROF. DR. ERDAL PANAYIRCI
- Estimation of velocity function for Turkey using engle-granger two-step method
Başlık çevirisi yok
MURAT ALİ YÜLEK
Yüksek Lisans
İngilizce
1990
Ekonomiİhsan Doğramacı Bilkent ÜniversitesiEkonomi Ana Bilim Dalı
PROF. DR. SÜBİDEY TOGAN