Dağılım ve sinir ağı tabanlı bulanık zaman serisi modelleri

Bulanık zaman serisi yaklaşımları genelde bulanıklaştırma, bulanık ilişkiler belirleme ve durulaştırma olmak üzere üç aşamadan oluşur. Bu çalışmada, tek değişkenli birinci dereceden sinir ağı tabanlı bulanık zaman serisi öngörüsü için yeni bir yaklaşım ve yeni bir yöntem önerilmiştir. İlk olarak evrensel küme parçalanmasında yapılan aralık uzunluğu belirleme aşamasında sabit bir aralık uzunluğu almak yerine daha etkili olan dağılım tabanlı uzunluk yaklaşımı kullanılmıştır. Bulanıklaştırma aşamasında yeni bir algoritma oluşturularak işlem kolaylığı sağlanmıştır. Ayrıca bu aşamada önerilen yöntemde ilk defa ağırlıklandırılmış indisler kullanılmıştır. Bulanık ilişki belirlemede bütün üyelik derecelerinin ayarlanması sağlanmıştır. Öngörü performansını geliştirmek için sadece Çok Katmanlı Algılayıcı (ÇKA) değil, ayrıca Genelleştirilmiş Regresyon Sinir Ağları (GRSA), ve Radyal Tabanlı Fonksiyon Sinir Ağı (RTFSA) gibi farklı yapay sinir ağı mimarileri de uygulanmıştır. Bu YSA mimarileri için 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 şekilde farklı sayıda gizli katman ve düğüm sayısı kullanılmıştır. Önerilen yöntem ve yaklaşım, oldukça iyi bilinen ve literatürde sıklıkla kullanılan Alabama Üniversitesi kayıt verileri ve ayrıca büyük bir veri seti olarak İ.M.K.B. (BİST) ulusal 100 endeksi verileri 2006-2010 yılları için kullanılarak literatürde önerilmiş sinir ağı tabanlı veya sinir ağı tabanlı olmayan çeşitli bulanık zaman serisi öngörü yöntemleri ile karşılaştırılmıştır. Sonuçlar; önerilen yeni yöntemin, literatürde verilen diğer yöntemlerden üstün olduğunu göstermiştir.