İmputasyon yöntemlerinin derin öğrenme modellerinin performansı üzerindeki etkisinin incelenmesi

Bu tez çalışmasında, Türk Hava Yolları, Lufthansa Hava Yolları, Delta Hava Yolları hisse fiyatları ve simülasyon yardımıyla sentetik veri setleri kullanılarak zaman serisi analizinde imputasyon yöntemlerinin kayıp verileri doldurma performansı ve derin öğrenme yöntemlerinin tahmin performansı incelenmiştir. Çalışmada LSTM, GRU, RNN ve Transformer modelleri kullanılarak analizler yapılmıştır. Veri setlerinde %5, %15 ve %25 oranında eksik veri oluşturulmuş ve bu eksik veriler lineer, spline, Stineman, ortalama ve rasgele imputasyon teknikleriyle doldurulmuştur. Elde edilen sonuçlar, her bir modelin performansının, kullanılan imputasyon tekniğine ve eksik veri oranına bağlı olarak değiştiğini göstermektedir. Özellikle derin öğrenme yöntemlerinin, eksik veri oranı arttıkça ve kullanılan imputasyon tekniğine bağlı olarak performanslarının farklılaştığı gözlemlenmiştir. Analiz yöntemlerinden Transformer modeli, genellikle diğer modellere göre daha iyi performans sergilemiş; imputasyon yöntemlerinden Stineman imptuasyon tekniği ani değişimler ve keskin dönüşlerin bulunduğu veri setlerinde daha başarılı sonuçlar vermiş ve Spline imputasyon tekniği ise doğrusal olmayan ilişkilerde üstün sonuçlar elde edilmesini sağlamıştır. Zaman serisi analizlerinde imputasyon yöntemlerinin ve derin öğrenme yöntemlerinin performansları böylece karşılaştırmalı ve kombinasyonlu incelenmiştir. Model performanslarını iyileştirmek için hangi yöntem ve yöntem çiftlerinin uygun olabileceği konusunda önemli bulgular sunulmuştur.