Yapay Sinir Ağına Dayalı Yüksek Dereceli Bulanık Zaman Serisi Öngörü Modeli

Abstract

Bulanık zaman serisi analizi yöntemleri geleneksel yöntemlere göre birçok avantajı olan etkili yöntemlerdir. Bulanık zaman serisi analizi yöntemlerinin klasik yöntemlerdeki kısıtlamalara sahip olmaması, son yıllarda bu yöntemlere olan ilgiyi arttırmaktadır. Zaman serisi gözlemleri bir önceki dönemde gözlemlenmiş veriye bağlı olabileceği gibi genellikle daha önceki dönemlerde gözlemlenmiş verilere de bağlıdır. Bu nedenle, yüksek dereceli bulanık zaman serisi yaklaşımları, birinci dereceden bulanık zaman serisi yaklaşımlarına göre daha iyi öngörü sonuçları verecektir. Bunun yanında yüksek dereceli bulanık zaman serisi yaklaşımlarında bulanık ilişki belirlenmesi, birinci dereceden yaklaşımlara göre, oldukça zor ve karmaşıktır. Bu çalışmada, bulanık ilişkilerin ileri beslemeli yapay sinir ağları ile belirlendiği, yüksek dereceli bulanık zaman öngörü modeli önerilmiştir. Önerilen yeni yaklaşımın uygulaması, literatürde sıkça kullanılan Alabama Üniversitesi kayıt verisine ve Türkiye Tüketici Fiyat Endeksi verisine uygulanarak literatürdeki diğer yöntemler ile karşılaştırılmıştır. Sonuçta, önerilen yeni yöntemin bulanık ilişki belirlemedeki karmaşıklığı ortadan kaldırdığı gibi, diğer yöntemlere göre daha iyi öngörü sonuçları verdiği de görülmüştür.

Fuzzy time series procedures have many advantages comparing to the conventional time series methods. Since fuzzy time series procedures do not require assumptions which are essential for the conventional techniques they are getting popular. As a current observation of time series can be dependent of the observation measured just one period before itself, it may depend on the several lagged observations. Because of this dependency high-order fuzzy time series approaches can give more reliable forecasting results than first-order fuzzy time series methods. However the determination of fuzzy relationships by using high-order fuzzy time series procedures is very difficult since it requires evaluating many complicated fuzzy relationship tables. In this study a high-order fuzzy time series method is proposed in which fuzzy relationships are determining by using feed-forward artificial neural networks. The proposed approach has been applied to the data on enrollments at the University of Alabama which is well-known and used in many other researches in literature, as well as the data of Consumer Price Index of Turkey. The empirical results are compared to the results from the conventional methods. It has been concluded that as the proposed method prevents to evaluate massive fuzzy relation tables it provides better results in terms of forecasting accuracy.