Enhancing time series analysis through efficient motif discovery and its application to forecasting

Zaman serisi motif keşfi, ardışık verilerde tekrar eden desenleri belirlemek için güçlü bir yöntem olup, finans, sağlık hizmetleri ve iklim bilimi gibi çeşitli alanlarda değerli içgörüler sunmaktadır. Bu tez, zaman serisi verilerinde motif keşfi için yenilikçi bir çerçeve sunarak, farklı uzunluklardaki ve örneklerdeki tekrar eden desenlerin tespitinde karşılaşılan temel zorlukları ele almaktadır. Önerilen metodoloji, motif tespitinde duyarlılığı ve doğruluğu artırmak için optimal motif seçimi amacıyla İkili Tamsayılı Programlama (BIP) kullanmakta, verimli desen keşfi için sezgisel bir algoritma uygulamakta ve parametreleri iyileştirmek üzere dinamik bir geri bildirim mekanizması entegre etmektedir. Ayrıca, çalışma, keşfedilen motiflerin, motif gömme özellikleriyle güçlendirilmiş bir Transformer modeline entegre edilerek tahmin görevlerine nasıl uygulanabileceğini gösterir ve motif destekli tahminlerin daha basit temel modelleri aşıp aşmadığını değerlendirir. Gerçek finansal veri kümeleri üzerinde yapılan kapsamlı deneyler, belirlenen motiflerin tekrar eden yapıları etkili bir şekilde yakalayabildiğini ortaya koysa da, bu bilgilerin gelişmiş tahmin modellerine entegre edilmesinin tahmin performansını yeterli olarak artırmadığını göstermiştir. Özellikle, motif gömme içersin veya içermesin, Transformer modelleri temel ekonometrik tekniklere kıyasla daha düşük performans sergilemektedir. Bu bulgular, derin öğrenme çerçeveleri içinde motif bilgisinin kullanılmasının karmaşıklığını vurgulamakta ve motif keşfinin zaman serilerindeki desenleri anlamada değerli olmasına rağmen, potansiyelini tam olarak ortaya koymak için daha hedeflenmiş modelleme stratejileri veya alternatif makine öğrenmesi yaklaşımlarının gerekliliğini işaret etmektedir.