Time Series Forecasting of Live TV Channel Views on OTT Platforms

Bu çalışmada dijital izleme platformlarındaki değişken kullanıcı davranışları ve artan kullanıcı canlı yayın talepleri baz alınarak, bir OTT (Over-the-Top) yayın platformundaki canlı televizyon kanallarının izlenmelerinin saatlik tahmini için çeşitli zaman serisi modellerini kıyaslamaktadır. Çalışma kapsamında, geleneksel istatistiksel modeller (ARIMAX, SARIMAX, Üstel Düzeltme), makine öğrenmesi modelleri (Random Forest, Gradient Boosting, LightGBM, XGBoost), derin öğrenme mimarileri (LSTM, GRU, RNN) ve Transformer temelli modeller (FEDFormer, TimesNet, Autoformer vb.) değerlendirilmiştir. Modeller, özel bir OTT platformunun veri seti üzerinden test edilmiş ve Wikipedia sayfa görüntülenmeleri ve hava durumu verileri gibi herkese açık veri setleri ile karşılaştırılmıştır. Tutarlı bir değerlendirme gerçekleştirilebilmesi için "kayan pencere" yaklaşımı benimsenmiş, farklı giriş uzunlukları ve tahmin aralıkları için model performansları Ortalama Mutlak Hata, Ortalama Kare Hata ve çalışma süresi sonuçlarına göre kıyaslanmıştır. Özellikle dinamik ve lineer olmayan verilerde Transformer tabanlı modellerin en yüksek doğruluk oranlarına ulaştığı fakat yüksek hesaplama maliyeti gerektirdiğini göstermektedir. Makine öğrenmesi modelleri verimlilik ve doğruluk açısından en dengeli modeller olup, gerçek zamanlı uygulamalar için ideal bir seçenek olmuşlardır. Geleneksel modeller ise iyi yapılandırılmış ve sezonluk veri setlerinde etkili olmaktadır. Bu sonuçlar zaman serisi tahmini ve internet medya hizmetlerinde çalışan araştırmacılar ve endüstri profesyonelleri için model karakteristikleri, sistem kısıtları ve uygulanabilirlik açısından model seçimine yardımcı olacaktır.