Nonstationary time series prediction with markovian switching recurrent neural networks
Markov anahtarlamalı tekrarlayan yapay sinir ağları ile durağan olmayan zaman serisi tahmini
- Tez No: 685396
- Danışmanlar: PROF. DR. SÜLEYMAN SERDAR KOZAT
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Durağan olmayan zaman serileri için doğrusal olmayan tahmin problemini çalışmaktayız. Finans, perakende, enerji ve ekonomi gibi çoğu gerçek hayat uygulamalarındaki zaman serisi verileri, temel sistemin zamansal olarak değişen dinamikleri sebebiyle durağan olmama özelliği göstermektedir. Bu durum, durağan olmayan ortamlarda tahmin yapmayı zorlaştırmaktadır. Verinin durağan olmayan doğasını modellemek amacıyla Markovvari bir şekilde iç rejimler arasında geçiş yapan yeni bir tekrarlayan sinir ağı (RNN) mimarisi tasarlanmıştır. Modelimiz, Markovian RNN, rejimler arası geçişleri modellemek için gizli Markov modeli (HMM) kullanmakta ve her rejim, tekrarlayan hücrelerin gizli durum geçişlerini bağımsız olarak kontrol etmektedir. Bu yapıda, tüm model uçtan uca hep beraber optimize edilmektedir. Sentetik ve gerçek veri setleri üzerinde yapılan detaylı deneyler sonucunda, Markov anahtarlamalı ARIMA gibi geleneksel yöntemlere ve istatiksel veya derin öğrenme tabanlı yeni yöntemlere kıyasla elde edilen ciddi performans artışları gösterilmiştir. Ek olarak, öğrenilen model parametreleri ve rejim olasılık değerleri yorumlanarak, verilerin altında yatan dinamikler analiz edilmiştir.
Özet (Çeviri)
We investigate nonlinear prediction for nonstationary time series. In most real-life scenarios such as finance, retail, energy and economy applications, time series data exhibits nonstationarity due to the temporally varying dynamics of the underlying system. This situation makes the time series prediction challenging in nonstationary environments. We introduce a novel recurrent neural network (RNN) architecture, which adaptively switches between internal regimes in a Markovian way to model the nonstationary nature of the given data. Our model, Markovian RNN employs a hidden Markov model (HMM) for regime transitions, where each regime controls hidden state transitions of the recurrent cell independently. We jointly optimize the whole network in an end-to-end fashion. We demonstrate the significant performance gains compared to conventional methods such as Markov Switching ARIMA, RNN variants and recent statistical and deep learning-based methods through an extensive set of experiments with synthetic and real-life datasets. We also interpret the inferred parameters and regime belief values to analyze the underlying dynamics of the given sequences.
Benzer Tezler
- Sakarya bölgesi hanehalkı elektrik tüketiminin dinamik lineer model ile tahmini
Estimation of household electricity consumption in Sakarya region by dynamic linear model
EMRE DORUK
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUĞRUL TAŞCI
- Hybrid wavelet-neural network models for time series data
Zaman serisi verileri için hibrit dalgacık-sinir ağı modelleri
DENİZ KENAN KILIÇ
Doktora
İngilizce
2021
MatematikOrta Doğu Teknik ÜniversitesiFinansal Matematik Ana Bilim Dalı (disiplinlerarası)
PROF. DR. ÖMÜR UĞUR
- Kontrol teorisi uygulamaları ile zaman serisi öngörülerinin iyileştirilmesi
Improvement of time series forecasts via control theory applications
CEM RECAİ ÇIRAK
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiHacettepe Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. AYDIN ULUCAN
- Online minimax optimal density estimation and anomaly detection in nonstationary environments
Durağan olmayan ortamlarda çevrimiçi minimaks optimal yoğunluk tahmini ve anomali tespiti
KAAN GÖKCESU
Yüksek Lisans
İngilizce
2017
Mühendislik Bilimleriİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SÜLEYMAN SERDAR KOZAT
- Dalgacık dönüşümü tekniği kullanılarak akım serilerinin modellenmesi
Modeling of streamflow series using wavelet transform technique
MURAT KÜÇÜK
Doktora
Türkçe
2004
İnşaat Mühendisliğiİstanbul Teknik ÜniversitesiSu Ürünleri Mühendisliği Ana Bilim Dalı
PROF. DR. NECATİ AĞIRALİOĞLU