Zaman serisi öngörüsünde dendrit yapay sinir ağları için parçacık sürü optimizasyonuna dayalı dayanıklı öğrenme algoritması
Robust learning algorithm based on particle swarm optimization for dendritic artificial neural networks in time series forecasting
- Tez No: 654291
- Danışmanlar: PROF. DR. UFUK YOLCU
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Parçacık sürü optimizasyonu, Yapay sinir ağları, Öğrenme algoritmaları, Particle swarm optimization, Artificial neural networks, Learning algorithms
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Giresun Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Zaman serisi öngörüsü, farklı alanlarda karşılaşılan önemli bir problemdir. Literatürde çok sayıda yöntem olmasına rağmen, bu yöntemler olasılıksal ve olasılıksal olmayan yöntemler olarak iki temel başlık altında incelenebilirler. Özellikle, hesaplamaya dayalı zaman serisi öngörü yöntemleri olarak, literatürde farklı türlerde yapay sinir ağları yaygın bir şekilde ve başarıyla kullanılmaktadır. Bunlardan bazıları, nöron modeli yapılarında, toplamsal birleştirme fonksiyonu kullanırken bazıları ise çarpımsal birleştirme fonksiyonu kullanırlar. Son yıllarda ortaya atılan dallantılı (dendrit) yapay sinir ağları ise yapılarında hem toplamsal hem de çarpımsal nöron modellerini birlikte içerirler. Bu tür bir yapay sinir ağının öngörü performansının, yapısındaki nöron modeli dolayısıyla, ilgilenilen zaman serisinin içerebileceği aykırı değerlerden olumsuz olarak etkilenmeleri kaçınılmazdır. Bu tez çalışmasında, literatürde ilk olarak, dendrit yapay sinir ağı eğitimi için bir dayanıklı öğrenme algoritması önerilmiştir. Önerilen dayanıklı öğrenme algoritması, Huber'in kayıp fonksiyonunu uygunluk fonksiyonu olarak kullanmaktadır. Dayanıklı öğrenme algoritmasının yinelemeli süreci, bir yapay zekâ optimizasyon algoritması olan parçacık sürü optimizasyonu tarafından gerçekleştirilmektedir. Önerilen dayanıklı öğrenme algoritması ile eğitilen dendrit yapay sinir ağının performansını farklı gerçek hayat zaman serileri ve bunlara farklı sayıda ve ölçekte aykırı değerlerin enjekte edilmesi ile elde edilen kirletilmiş zaman serilerinin analizleri ile ortaya konmuştur. Elde edilen sonuçlar göstermektedir ki hem aykırı değer içeren hem de aykırı değer içermeyen zaman serilerinin analizinde önerilen dayanıklı öğrenme algoritması ile eğitilen dendrit yapay sinir ağı tatmin edici öngörü sonuçları üretmektedir.
Özet (Çeviri)
Time series forecasting is a crucial problem encountered in a variety of fields. Although there are a great number of methods in the literature, they can be reviewed under two basic title as probabilistic and non-probabilistic methods. Especially, as computational-based time series forecasting methods, different kinds of artificial neural networks (ANNs) have been widely and successfully used in the literature. While some of them use additive aggregation function, some of them use multiplicative aggregation function in the structure of their neuron models. Dendritic Neural Networks, proposed in recent years, have also both additional and multiplicative neuron models, together. It is inevitable that the forecasting performance of such an artificial neural network will be negatively affected by the outliers that the time series of interest may contain due to the neuron model in its structure. In this thesis, a robust learning algorithm is proposed for dendritic artificial neural network training for the first time in the literature. The proposed robust learning algorithm uses Huber's loss function as a fitness function. The iterative process of the robust learning algorithm is carried out by particle swarm optimization, an artificial intelligence optimization algorithm. The performance of the dendritic artificial neural network trained with the proposed robust learning algorithm has been demonstrated by the analysis of different real-life time series and the analysis of the contaminated time series obtained by injecting different numbers and scales of outliers. The obtained results show that the dendritic artificial neural network trained by the proposed robust learning algorithm produces satisfactory predictive results in the analysis of time series with and without outliers.
Benzer Tezler
- Hisse senedi getirilerinin öngörüsünde finansal zaman serisi modellerinin karşılaştırılması: Borsa İstanbul örneği
Comparative performance of models of financial time series in forecasting stock returns: The case of İstanbul Stock Exchange
HANDE YEŞİL
- Dağıtılan elektrik enerjisi miktarının öngörümlenmesi: Zaman serisi, makine öğrenmesi ve melez modellerin karşılaştırılması
Forecasting distributed electricity energy amounts: A comparison of time series, machine learning and hybrid models
DERYA AKPINAR
Yüksek Lisans
Türkçe
2024
EkonometriDokuz Eylül ÜniversitesiEkonometri Ana Bilim Dalı
DOÇ. DR. EMRAH GÜLAY
- Politik parasal çevrimler ve ekonominin kurumsal yapısı
Political monetary cycles and organizational structure of economy
HURŞİT HIZLI
- Doğrusal ve doğrusal olmayan zaman serileri analizinin seçilmiş bazı makroekonomik değişkenler üzerine uygulaması
Application of linear and nonlinear time series analysis on some selected macroeconomic variables
HAKAN ÖNDES
Doktora
Türkçe
2022
EkonometriBursa Uludağ ÜniversitesiEkonometri Ana Bilim Dalı
PROF. DR. ERKAN IŞIĞIÇOK
- Akış alan modellemesi ve istatistiksel enerji öngörüsü: Maslak örneği
Field flow modeling and statistical energy prediction a case study : Maslak region
SEVİNÇ RÜSTEMOĞLU
Yüksek Lisans
Türkçe
2010
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
DOÇ. DR. Ş. SİBEL MENTEŞ
YRD. DOÇ. DR. BURAK BARUTÇU