Talep tahmininde makine öğrenmesi ve zaman serileri temelli bir karar destek sistemi

Abstract

Gerçek hayatı modelleyen bir tahmin uygulaması geliştirmek oldukça zor olabilir. Zaman serilerini modellemek ve onlar üzerinde tahmin yapmak, içlerinde barındırdıkları doğrusal ve doğrusal olmayan örüntüler nedeniyle karmaşık bir hal alabilir. Bu gibi durumlarda, farklı tekniklerin sahip oldukları mekanizmaları bir yerde birleştirdiği için, tekil modellere göre doğruluk açısından daha iyi sonuçlar elde etmek üzere hibrit modellerin kullanımı öne çıkmaktadır. Bu çalışmada, bir gerçek hayat tahmin problemi için doğrusal ve doğrusal olmayan yaklaşımların yanı sıra hibrit modelleri de model tabanında barındıran, model yönelimli bir web tabanlı karar destek sistemi geliştirilmiştir. Model tabanında yer alan ARIMA (Bütünleşik Otoregresif Hareketli Ortalama), LSTM (Uzun Kısa Vadeli Bellek Ağları) ve hibrit modelin performansları bitcoin değer tahmin örneği üzerinden gösterilmiştir. Ayrıca gerçek hayat uygulama problemi üzerinden oluşturulmuş örnek veri kümeleri için yöntemlerin performansları karşılaştırmalı olarak sunulmuş ve geliştirilen karar destek sisteminin bileşenleri detaylı olarak açıklanmıştır

Developing a real life modeling application can be quite difficult. Modeling and predicting time series can be complicated by the linear and nonlinear patterns they contain. In such cases, the use of hybrid models is prominent in order to obtain better results in terms of accuracy compared to individual models, as it combines the mechanisms that different techniques have in one place. In this study, a model-oriented web-based decision support system was developed for a real-life prediction problem that includes hybrid models as well as linear and nonlinear approaches. The performances of ARIMA (Integrated Autoregressive Moving Average), LSTM (Long Short Term Memory Networks) and hybrid model in the model base are shown on the example of bitcoin value estimation. In addition, the performances of the methods are presented comparatively for the sample datasets created based on real life application problem and the components of the developed decision support system are explained in detail.