Yapay Sinir Ağlarıyla zaman serisi tahminlemesinde yeni bir model seçim stratejisi

Yapay Sinir Ağları zaman serisi uygulamalarında gittikçe önem kazanan bir yöntem olmasına rağmen, hala birçok metodolojik eksiklikleri içerisinde barındırmaktadır. Bu eksikliklerden bir tanesi, gerçekleştirilen bir sinir ağı deneyi sonucunda hangi sinir ağı modelinin gelecekte kullanılmak üzere seçileceğidir. Başka bir deyişle, sinir ağının girdi ve gizli hücre sayısı ne olmalı ve girdi-gizli hücre sayısı belirlenmişken farklı başlangıç ağırlık değerlerinin sebep olduğu denemeler arasından hangisinin seçileceği sorularına cevap aranmalıdır. Genel uygulama, veri setinin eğitim, doğrulama ve test seti olarak üçe bölünüp doğrulama setinde en küçük hata ölçüsünü veren sinir ağı modelinin seçimi şeklindedir. Ancak bu durumda, doğrulama setine aşırı uyum sağlamış bir sinir ağı modelinin seçimi olasıdır. Doğrulama setine aşırı uyum sağlamış bir ağın, genelleme yeteneğini gösteren test seti üzerindeki performansı düşük olabilecektir. Bu tez kapsamında, zaman serileriyle sinir ağı tahmini yaparken model seçimine yönelik bir seçim stratejisi önerilmiştir (GGD ayrışımı). Önerilen seçim stratejisi, öncelikle girdi ve gizli hücre sayılarını belirlemekte ve ardından farklı denemeler arasından hem doğrulama hem de eğitim seti performanslarına eşanlı bakarak bir sinir ağı modeli seçmektedir. Önerilen seçim stratejisinin simülasyon ve gerçek veri setleri üzerinde klasik seçim yöntemiyle karşılaştırılması sonucunda, sinir ağı performansını istatistiksel olarak geliştirdiği görülmüştür. Simülasyon deneyi önerilen seçim stratejisinin altta yatan veri üretim sürecine daha iyi yakınsadığını göstermiştir. ARIMA yöntemiyle olan rekabette, sinir ağında yapılabilecek iyileştirmelerle üstünlüğün sinir ağına daha çok geçebileceği yönünde bulgulara rastlanmıştır. Önerilen seçim stratejisi genel anlamda doğrulama hacmine karşı daha çok direnç sergilemiştir. Ayrıca deneme sayısının klasik seçim yöntemi için önemli bir faktör olmadığı ancak önerilen seçim stratejisi performansı üzerinde etkili olabileceği tespit edilmiştir. Anahtar Kelimeler: Sinir Ağları, ARIMA, Zaman Serisi, Tahminleme, Model Seçimi.