Zaman serisi öngörüsünde dendrit yapay sinir ağları için parçacık sürü optimizasyonuna dayalı dayanıklı öğrenme algoritması

Zaman serisi öngörüsü, farklı alanlarda karşılaşılan önemli bir problemdir. Literatürde çok sayıda yöntem olmasına rağmen, bu yöntemler olasılıksal ve olasılıksal olmayan yöntemler olarak iki temel başlık altında incelenebilirler. Özellikle, hesaplamaya dayalı zaman serisi öngörü yöntemleri olarak, literatürde farklı türlerde yapay sinir ağları yaygın bir şekilde ve başarıyla kullanılmaktadır. Bunlardan bazıları, nöron modeli yapılarında, toplamsal birleştirme fonksiyonu kullanırken bazıları ise çarpımsal birleştirme fonksiyonu kullanırlar. Son yıllarda ortaya atılan dallantılı (dendrit) yapay sinir ağları ise yapılarında hem toplamsal hem de çarpımsal nöron modellerini birlikte içerirler. Bu tür bir yapay sinir ağının öngörü performansının, yapısındaki nöron modeli dolayısıyla, ilgilenilen zaman serisinin içerebileceği aykırı değerlerden olumsuz olarak etkilenmeleri kaçınılmazdır. Bu tez çalışmasında, literatürde ilk olarak, dendrit yapay sinir ağı eğitimi için bir dayanıklı öğrenme algoritması önerilmiştir. Önerilen dayanıklı öğrenme algoritması, Huber'in kayıp fonksiyonunu uygunluk fonksiyonu olarak kullanmaktadır. Dayanıklı öğrenme algoritmasının yinelemeli süreci, bir yapay zekâ optimizasyon algoritması olan parçacık sürü optimizasyonu tarafından gerçekleştirilmektedir. Önerilen dayanıklı öğrenme algoritması ile eğitilen dendrit yapay sinir ağının performansını farklı gerçek hayat zaman serileri ve bunlara farklı sayıda ve ölçekte aykırı değerlerin enjekte edilmesi ile elde edilen kirletilmiş zaman serilerinin analizleri ile ortaya konmuştur. Elde edilen sonuçlar göstermektedir ki hem aykırı değer içeren hem de aykırı değer içermeyen zaman serilerinin analizinde önerilen dayanıklı öğrenme algoritması ile eğitilen dendrit yapay sinir ağı tatmin edici öngörü sonuçları üretmektedir.