Learning nonlinear features to improve linear forecastingapproaches

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Boğaziçi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, FEN BİLİMLERİ ENSTİTÜSÜ, Türkiye

Tezin Onay Tarihi: 2019

Tezin Dili: İngilizce

Öğrenci: MERT ÖZ

Danışman: MUSTAFA GÖKÇE BAYDOĞAN

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Birçok endüstride gelecekte karşılaşılacak olayların düzgün tahmin edilmesi kritik rol oynar. Özellikle perakende sektöründe, gelecek satışların tahmini, şirketin yönetiminde alınacak kararlara ışık tutar. Tahminleme için kullanılan en yaygın geleneksel zaman serisi modelleri değişkenler arasındaki sadece lineer ilişkileri açıklayabildiğinden, lineer olmayan ilişkilerin yarattığı kritik etkileri kaçırabiliyorlar. Önerilen algoritmanın ikinci aşamasında hatalar analiz edilerek değişkenler arasındaki lineer olmayan ilişkilerin de hesaba katılıp, modele yeni değişkenler ekleyerek genel zaman serisi modelleri üzerinde geliştirme sağlıyor. Önerilen yaklaşım iki aşamadan oluşuyor; birinci aşamada genel zaman serisi modeli kullanılarak tahminleme yapılıyor, ikinci aşamada ise ilk modeldeki tahminleme sonucunda çıkan hatalar regresyon ağacı altında lineer ve lineer olmayan ilişkiler göz önünde bulundurularak incelenerek en çok hata veren değişkenler birinci modele ekleniyor. Model bu şekilde belirlenen limitleri sağladığı sürece kendini güncelleyerek geliştiriyor. Bu çalışmanın birinci aşamasında ARIMAX, Lineer Regresyon ve Cezalı Regresyon (Penalized Regression) modelleri kullanılarak bu modeller üzerinde gelişim sağlandı. Algoritmanın uygulandığı ARIMAX modeli, hiçbir bağımsız değişkenin eklenmediği ve önerilen algoritmada kullanılan aynı bağımsız değişkenlerin eklendiği iki modelden de büyük oranda daha iyi sonuçlar verdi. Ayrıca, algoritmanın test edildiği lineer regresyon ve cezalı regresyon modelleri de aynı değişkenlerin olduğu klasik lineer regresyon ve cezalı regresyon ile kıyaslandığında daha iyi sonuçlar verdi.