Dağılım ve sinir ağı tabanlı bulanık zaman serisi modelleri

Abstract

Bulanık zaman serisi yaklasımları genelde bulanıklastırma, bulanık ilişkiler belirleme ve durulastırma olmak üzere üç asamadan olusur. Bu çalısmada, tek değiskenli birinci dereceden sinir ağı tabanlı bulanık zaman serisi öngörüsü için yeni bir yaklasım ve yeni bir yöntem önerilmistir. İlk olarak evrensel küme parçalanmasında yapılan aralık uzunluğu belirleme asamasında sabit bir aralık uzunluğu almak yerine daha etkili olan dağılım tabanlı uzunluk yaklaşımı kullanılmıstır. Bulanıklastırma asamasında yeni bir algoritma olusturularak işlem kolaylığı sağlanmıstır. Ayrıca bu asamada önerilen yöntemde ilk defa ağırlıklandırılmıs indisler kullanılmıstır. Bulanık iliski belirlemede bütün üyelik derecelerinin ayarlanması sağlanmıstır. Öngörü performansını gelistirmek için sadece Çok Katmanlı Algılayıcı (ÇKA) değil, ayrıca Genellestirilmis Regresyon Sinir Ağları (GRSA), ve Radyal Tabanlı Fonksiyon Sinir Ağı (RTFSA) gibi farklı yapay sinir ağı mimarileri de uygulanmıstır. Bu YSA mimarileriiçin klasik sinir ağı tabanlı bulanık zaman serisi öngörü yöntemlerinden farklı olarak tek katman ve düğüm sayısı, girdi ve çıktıların toplamları olması yerine en iyi sonucu verecek sekilde farklı sayıda gizli katman ve düğüm sayısı kullanılmıstır.Önerilen yöntem ve yaklasım, oldukça iyi bilinen ve literatürde sıklıkla kullanılan Alabama Üniversitesi kayıt verileri ve ayrıca büyük bir veri seti olarak D.M.K.B. (BDST) ulusal 100 endeksi verileri 2006-2010 yılları için kullanılarak literatürdeönerilmis sinir ağı tabanlı veya sinir ağı tabanlı olmayan çesitli bulanık zaman serisi öngörü yöntemleri ile karsılastırılmıstır. Sonuçlar; önerilen yeni yöntemin, literatürde verilen diğer yöntemlerden üstün olduğunu göstermistir.