Talep tahmininde makine öğrenmesi ve zaman serileri temelli bir karar destek sistemi

Gerçek hayatı modelleyen bir tahmin uygulaması geliştirmek oldukça zor olabilir. Zaman serilerini modellemek ve onlar üzerinde tahmin yapmak, içlerinde barındırdıkları doğrusal ve doğrusal olmayan örüntüler nedeniyle karmaşık bir hal alabilir. Bu gibi durumlarda, farklı tekniklerin sahip oldukları mekanizmaları bir yerde birleştirdiği için, tekil modellere göre doğruluk açısından daha iyi sonuçlar elde etmek üzere hibrit modellerin kullanımı öne çıkmaktadır. Bu çalışmada, bir gerçek hayat tahmin problemi için doğrusal ve doğrusal olmayan yaklaşımların yanı sıra hibrit modelleri de model tabanında barındıran, model yönelimli bir web tabanlı karar destek sistemi geliştirilmiştir. Model tabanında yer alan ARIMA (Bütünleşik Otoregresif Hareketli Ortalama), LSTM (Uzun Kısa Vadeli Bellek Ağları) ve hibrit modelin performansları bitcoin değer tahmin örneği üzerinden gösterilmiştir. Ayrıca gerçek hayat uygulama problemi üzerinden oluşturulmuş örnek veri kümeleri için yöntemlerin performansları karşılaştırmalı olarak sunulmuş ve geliştirilen karar destek sisteminin bileşenleri detaylı olarak açıklanmıştır