İleri Beslemeli Yapay Sinir Ağları İle Zaman Serisi Tahmininde Gizli Tabaka Sayısı ve Test Kümesi Uzunluğunun Etkisi

Abstract

Son yıllarda, zaman serisi öngörü problemi için ileri beslemeli yapay sinir ağları başarılı bir şekilde uygulanmaktadır. Doğrusal olmayan yapı içeren zaman serilerinin modellenmesinde, ARIMA, üstel düzleştirme gibi klasik doğrusal zaman serisi modelleri yetersiz kalmaktadır. Zaman serisi analizi için birçok doğrusal olmayan zaman serisi modelleri bulunmasına rağmen hepsinin belli bir model varsayımı gerektirmesi önemli bir engel oluşturmaktadır. İleri beslemeli yapay sinir ağlarının hem doğrusallık hem de model varsayımı gibi kısıtları yoktur. Literatürdeki birçok çalışmada ileri beslemeli yapay sinir ağlarında, klasik zaman serisi yöntemlerinden daha doğru öngörüler elde edilmiştir. Birçok avantaja rağmen yapay sinir ağları ile öngörü için yapay sinir ağlarının bileşenlerinin belirlenmesi problemi halen tam olarak sistematik değildir. Bu çalışmada öngörü problemi için ileri beslemeli yapay sinir ağı kullanımında, gizli tabaka sayısının belirlenmesi ve test kümesi uzunluğunun etkisi üzerine, Ankara Hava Kirliliği(AHK), Avusturya Bira Tüketimi(ABT), Aırlane Data Seti (G.Box Jenkıns,1976)(ADS), Samsun Hava Kirliliği(SHK), Gelen Turist Sayısı(GTS),IMKB , EURO, USD zaman serileri kullanılarak bir araştırma yapılmıştır. Sonuçta, bütün serilerde de test kümesi değişimi ile farklı mimari yapılardan iyi sonuçlar elde edilmiştir.

In recent years, feed forward neural networks are used for time series forecasting successfully. For modelling time series which contains nonlinear structures, it is unadequate to use methods such as ARIMA and exponential smoothing method. Although there are lots of nonlinear time series methods, it is an important obstacle for modelling due to requiring a specific model assumptions. Feed forward neural networks does not need both linearity and model assumption. In the literature, many studies pointed that feed forward neural networks outperform against to classical time series methods. Although feed forward neural networks have many advantages, determining components of feed forward neural networks for forecasting purpose is not systematically solved. In this study, in the use of feed forward artificial neural network using hidden layer number and length of tests, we use datasets such as Air Pollution of Ankara, Beer Consumption of Austria, Aırlane Data Set (G. Box Jenkıns,1976), Air Pollution of Samsun, Number of Coming Tourist to Turkey, IMKB stock index, TL/Dollar Exchange Rate and TL/Euro Exchange rate time series. At the result, it has acquired good results from changing length of test with different architect buildings for all series.