Enhancing time series analysis through efficient motif discovery and its application to forecasting
Zaman serisi analizini etkili motif keşfi ile geliştirme ve motif keşfinin tahmin uygulamalarına entegre edilmesi
- Tez No: 972076
- Danışmanlar: PROF. DR. BERTAN BADUR
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Ekonomi, Industrial and Industrial Engineering, Computer Engineering and Computer Science and Control, Economics
- Anahtar Kelimeler: Doğrusal tamsayı programlama, Ekonomik zaman serisi, Veri deseni, Veri madenciliği, Linear integer programming, Economic time series, Data pattern, Data mining
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Zaman serisi motif keşfi, ardışık verilerde tekrar eden desenleri belirlemek için güçlü bir yöntem olup, finans, sağlık hizmetleri ve iklim bilimi gibi çeşitli alanlarda değerli içgörüler sunmaktadır. Bu tez, zaman serisi verilerinde motif keşfi için yenilikçi bir çerçeve sunarak, farklı uzunluklardaki ve örneklerdeki tekrar eden desenlerin tespitinde karşılaşılan temel zorlukları ele almaktadır. Önerilen metodoloji, motif tespitinde duyarlılığı ve doğruluğu artırmak için optimal motif seçimi amacıyla İkili Tamsayılı Programlama (BIP) kullanmakta, verimli desen keşfi için sezgisel bir algoritma uygulamakta ve parametreleri iyileştirmek üzere dinamik bir geri bildirim mekanizması entegre etmektedir. Ayrıca, çalışma, keşfedilen motiflerin, motif gömme özellikleriyle güçlendirilmiş bir Transformer modeline entegre edilerek tahmin görevlerine nasıl uygulanabileceğini gösterir ve motif destekli tahminlerin daha basit temel modelleri aşıp aşmadığını değerlendirir. Gerçek finansal veri kümeleri üzerinde yapılan kapsamlı deneyler, belirlenen motiflerin tekrar eden yapıları etkili bir şekilde yakalayabildiğini ortaya koysa da, bu bilgilerin gelişmiş tahmin modellerine entegre edilmesinin tahmin performansını yeterli olarak artırmadığını göstermiştir. Özellikle, motif gömme içersin veya içermesin, Transformer modelleri temel ekonometrik tekniklere kıyasla daha düşük performans sergilemektedir. Bu bulgular, derin öğrenme çerçeveleri içinde motif bilgisinin kullanılmasının karmaşıklığını vurgulamakta ve motif keşfinin zaman serilerindeki desenleri anlamada değerli olmasına rağmen, potansiyelini tam olarak ortaya koymak için daha hedeflenmiş modelleme stratejileri veya alternatif makine öğrenmesi yaklaşımlarının gerekliliğini işaret etmektedir.
Özet (Çeviri)
Time series motif discovery is a powerful technique for identifying recurring patterns in sequential data, offering valuable insights into diverse applications such as finance, healthcare, and climate science. This thesis presents an innovative framework for motif discovery in time series data, addressing key challenges in identifying recurring patterns of varying lengths and instances. The proposed methodology improves sensitivity and accuracy of motif detection by using Binary Integer Programming (BIP) for optimal motif selection and employing a heuristic algorithm for efficient pattern discovery, while integrating a dynamic feedback mechanism to refine parameters. Additionally, the study demonstrates how the discovered motifs can be applied to forecasting tasks by integrating them into a Transformer model pipeline augmented with motif embeddings, assessing whether motif-augmented predictions outperform simpler baselines. Extensive experiments on real-world financial datasets reveal that while the identified motifs can effectively capture recurring structures, incorporating them into advanced forecasting models does not necessarily lead to improved predictive performance. In particular, Transformers with or without motif embeddings underperform relative to basic econometric techniques. These findings underscore the complexity of leveraging motif information within deep learning frameworks for time series forecasting, suggesting that although motif discovery is valuable for understanding temporal patterns, more targeted modeling strategies or alternative machine learning approaches may be necessary to realize its full potential in predictive tasks.
Benzer Tezler
- Ağ trafiği tahmininde makine öğrenmesi algoritmalarının karşılaştırmalı analizi
A comparative analysis of machine learning algorithms on network traffic forecasting
BUSE DİLAN USLAN
Yüksek Lisans
Türkçe
2025
İşletmeİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
- Yaşam döngüsü analizi ile plastik geri kazanım sektörünün çevresel etkilerinin belirlenmesi
Determination of environmental impacts of the plastic recycling industry through life cycle assessment
ÖZLEM BİLALOĞLU
Yüksek Lisans
Türkçe
2025
Çevre MühendisliğiSakarya ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİYE SUNA ERSES YAY
- Yay tahrikli bir darbe deney cihazının tasarımı, geliştirilmesi ve verimliliğinin araştırılması
Spring-actuated impact test device: Design, development, and efficiency assessment
MESUT KÜÇÜK
Doktora
Türkçe
2025
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ SARI
- Radar uygulamalarında vivaldi anten tasarımı ve optimizasyonu
Vivaldi antenna design and optimization in radar applications
ERDEM BARLİK
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEBAHATTİN EKER
- Machine learning applications for optimization and traceability in the coffee supply chain
Kahve tedarik zincirinde optimizasyon ve izlenebilirlik için makine öğrenimi uygulamaları
FARAZ GHOLAMZADEH GHAREHGHESHLAGHI
Yüksek Lisans
İngilizce
2026
Endüstri ve Endüstri MühendisliğiAnkara Yıldırım Beyazıt ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. GERÇEK BUDAK