Nonstationary time series prediction with markovian switching recurrent neural networks

Durağan olmayan zaman serileri için doğrusal olmayan tahmin problemini çalışmaktayız. Finans, perakende, enerji ve ekonomi gibi çoğu gerçek hayat uygulamalarındaki zaman serisi verileri, temel sistemin zamansal olarak değişen dinamikleri sebebiyle durağan olmama özelliği göstermektedir. Bu durum, durağan olmayan ortamlarda tahmin yapmayı zorlaştırmaktadır. Verinin durağan olmayan doğasını modellemek amacıyla Markovvari bir şekilde iç rejimler arasında geçiş yapan yeni bir tekrarlayan sinir ağı (RNN) mimarisi tasarlanmıştır. Modelimiz, Markovian RNN, rejimler arası geçişleri modellemek için gizli Markov modeli (HMM) kullanmakta ve her rejim, tekrarlayan hücrelerin gizli durum geçişlerini bağımsız olarak kontrol etmektedir. Bu yapıda, tüm model uçtan uca hep beraber optimize edilmektedir. Sentetik ve gerçek veri setleri üzerinde yapılan detaylı deneyler sonucunda, Markov anahtarlamalı ARIMA gibi geleneksel yöntemlere ve istatiksel veya derin öğrenme tabanlı yeni yöntemlere kıyasla elde edilen ciddi performans artışları gösterilmiştir. Ek olarak, öğrenilen model parametreleri ve rejim olasılık değerleri yorumlanarak, verilerin altında yatan dinamikler analiz edilmiştir.