Deneysel mod ayrışımı ile zaman serisi öngörüsü modellerinin karşılaştırılması

Abstract

Zaman serileri, zamana bağlı olarak değişkenlik gösteren ve gözlem değerlerinin art arda ve eşit aralıklı bir şekilde ölçüldüğü dizilerdir. Zaman serilerinde aynı dönemlerde art arda gelen gözlem değerlerinin birbirine bağımlı olduğu kabul edilir. Bu sayede gelecek dönem öngörü değerleri geçmiş dönemlerde gözlenen değerler ile hesaplanabilir. Bir zaman değişkeni hakkında öngörüde bulunmak, değişkenin geçmiş dönemlerdeki hareketleri gözlemlenerek oluşturulan modeller yardımıyla mümkündür. Öngörüler bu modeller vasıtasıyla yapılacağı için model kurma işlemi oldukça önemlidir. Doğru kurulan bir model gerçek değerlere yakın öngörüler yani hatası az tahminler üretmeyi sağlar. Artan baz istasyonlarının sayısına bağlı olarak canlılar gün geçtikçe daha fazla elektromanyetik radyasyona (EMR) maruz kalmaktadır. EMR’ye sebep olan cihazların canlılar üzerindeki olumsuz etkileri bilinmesine rağmen bu cihazları hayatımızdan tamamı ile çıkarmak mümkün görünmemektedir. Bu bağlamda bir ortamda bulunan elektrik alan şiddeti (EMA) miktarının gözlenmesi, modellenmesi ve öngörüde bulunulması önem arz etmektedir. Bu çalışmada EMA ölçüm değerleri üzerinde, düzleştirme parametreleri ve başlangıç değerlerinin Diferansiyel Gelişim Algoritması (DGA) ile optimize edildiği Holt Winters üstel düzleştirme yöntemi ile Deneysel Mod Ayrıştırma (DMA) yöntemine dayalı Yapay Sinir Ağları (DMA-YSA) ve Uyarlamalı Ağ tabanlı Bulanık Çıkarım Sistemi (DMA-ANFİS) modelleri önerilmiştir. Performans karşılaştırmasında önerilen yöntemlerin kendi sınıfında bulunan diğer yöntemlerden daha iyi sonuçlar verdiği gözlenmiştir.

Time series vary depending on the time in which sequence of observations are measured successively and at equal intervals. In time series, successive observations in the same period are considered to be independent. Thus, future time prediction values can be calculated with the values observed in the past times. Forecasting about a time variable is possible with the help of models created by observing the movements of the variable in the past. The model-building process is crucial because forecasts will be made through these models. The model built to fit the time series enables to produce forecasts close to actual values with minimum error. Living things are exposed to more and more electromagnetic radiation (EMR) day by day due to the increasing number of base stations. Although the negative impacts of devices that cause EMR on living things are known, it does not seem possible to completely remove it from our lives. In this sense, it is important to observe, model, and predict the amount of electric field intensity (EMI) in an environment. In this study, Holt-Winters exponential smoothing method, in which smoothing parameters and initial values are optimized by Differential Evolution Algorithm and Artificial Neural Networks and Adaptive Network-based Fuzzy İnference System models based on Empirical Mode Decomposition method are proposed on EMI measurement values. In the performance comparison, it is observed that the proposed methods give better results than other methods in their class.