Comparison of big data time series analysis methods

Zaman serisi analizi, düzenli veya düzensiz zaman aralıklarında kaydedilen verilerin yorumlanmasıdır. Analizler depremler, satışlar, finansal yatırım tahminleri, erken uyarı, karar verme ve diğer birçok alanda uygulanmaktadır. Büyük verilerin zaman serisi analizinin nicel ve nitel yöntemleri vardır. Bu çalışmanın amacı, iki önemli nicel yöntemi karşılaştırmaktır: Otoregresif Bütünleşik Hareketli Ortalama (ARIMA) ve Uzun Kısa Süreli Bellek (LSTM). Karşılaştırma için deprem büyüklüğü ve yer tahmininin doğruluğu kullanılmıştır. 1970-2019 yılları arasındaki deprem verilerinden (deprem büyüklüğü, boylam, enlem; güneş ve ayın yükseklik-azimut-deprem anındaki dünyaya olan uzaklığı) yararlanılmıştır. Amerika Birleşik Devletleri Jeolojik Araştırma verilerinin yüzde sekseni eğitim için, geri kalanı ise test için kullanılmıştır. 4.0 ve üzeri büyüklükteki depremler dikkate alınmıştır. Her yöntemin sonuçları, standart sapma, ortalama karesel hata, ortalama mutlak hata ve medyan mutlak hata performansları kullanılarak önceki çalışmaların sonuçlarıyla karşılaştırılmıştır. ARIMA, uzun vadeli tahminlerde yetersiz kalırken, LSTM'in literatürde de desteklendiği gibi uzun dönemli, düzensiz verilerin analizi için uygun bir yöntem olduğu görülmüştür. LSTM'nin Vanilla ve Stacked modelleri karşılaştırılmış ve Stacked LSTM yoğunluk, parti boyutu ve dönem parametreleri değiştirilerek optimize edildikten sonra en iyi sonuçları vermiştir. En iyi sonuçlar 8 yoğunluk, 64 parti boyutu ve 64 dönem parametreleri kullanılarak elde edilmiştir. Boylam tahmini çok uzak olsa da en iyi tahmin edilen sonuçlar depremlerin büyüklüğü ve enlemleri olmuştur.