Zaman Serisi Tahmini(Time Series Forecasting)
Merhaba arkadaşlar yeni yazımda sizlerle birlikte Zaman Serisi Tahmini konusuna giriş yapacağız. Amacım bu konu bizim hayatımızın hangi noktasında bulunuyor, ne işe yarıyor ve temel kavramları nelerdir? Bunun gibi soruların cevaplarını yazdığım yazımda bulacağınıza inanıyorum.
Zaman Serisi Nedir?
Zaman serisi, belirli zaman aralıklarına göre sıralanan sıralı verilerdir. Veri satırları belli zamana göre (yıl, ay, gün, saat, v.b) sıralanır.
Aşağıda bize günü gününe atılan adım sayıları gösterilmiştir. Bura da verilen adım sayıları ve günler bize zaman serisini oluşturmaktadır.
Aşağıdaki kaynakta ise bize zamana göre bir şehirdeki sıcaklık değerleri verilmiştir. Burada gün serinin zaman boyutudur, sıcaklık değeri ise gözlemdir.
Zaman Seri Tahmini?
Yukarıdaki örneklerden sıcaklık değerlerinin bulunduğu veri setini incelersek 6 Şubat tarihindeki sıcaklık değerini tahmin etmek istersek, geçmiş zamandaki sıcaklıklardan yararlanarak gelecekteki sıcaklık değerini tahmin etmeyi amaçlarız. Zaman serisi tahmini işte tamda bu noktaya dokunur. Geçmiş zamandaki verilerden yararlanarak yakın zamandaki veriyi tahmin etme çabasıdır.
Zaman Serisi Temel Bileşenleri
1.Seviye(Level) :Serideki ortalama veya temel değerdir.
2.Trend : Ana değişkenin değerlerinin uzun vadede artması veya azalmasıdır. Genellikle doğrusal bir modele sahiptir.
3.Mevsimsellik(Seasonality): Zaman serisinin belirli bir davranışı belirli periyotlarla tekrar etmesi durumuna ‘mevsimsellik’ denir. Örnek bir kanalda izlenen dizinin haftanın belirli günleri eğilim olarak kendini tekrarlaması.
4.Döngüler(Cycles):Mevsimsel sınırlara veya belirli eğilimlere bağlı olmayan verilerde düzensiz döngüsel modeller ortaya çıkarır.
“Döngüsel (cyclical) ve mevsimsel(seasonal) arasındaki temel fark, dalgalanmalar sabit bir frekansta ise mevsimsel, değilse döngüseldir.”
Zaman Serilerinin Kullanım Alanları
Üretim Sektörü : Zaman serisi modeli, önümüzdeki aylarda günlük üretim miktarlarının tahmin edilmesine yardımcı olabilir. Bu da üreticinin toplam karı tahmin edip buna göre yatırım yapmasını sağlar.
Covid : Zaman serisi modeli , gelecekteki koronavirüs vakalarının belirlenmesinde kullanılmaktadır. Bunun avantajı ise ona göre önlemler alıp, takviye sağlamak olabilir.
Tarım: Zaman serisi modeli ,tarımda yapılan hasattan sonra üretimi tahmin edebilir ve bu etkenlerden yararlanarak havanın detaylarını tahmin edebilmesini sağlayabilir.
Bankacılık Sektörü : Zaman serisi modeli ,bankacılıkta gelecekteki aylarda toplam para çekme, para yatırma ve kredi talepleri için tahmin etmek için kullanılır.
Hareketli Ortalama (Moving Average)
Bir zaman serisinin gelecek değeri kendisinin k adet önceki ortalamasıdır. Ağırlıksız hareket ortalaması da denir.
Ağırlıklı Ortalama ( Weighted Average)
Gözlemlere belirli ağırlık değerleri verir. Değer vermede kullandığı strateji daha sonda olan gözleme daha fazla ağırlık vermektir.
Arasındaki farkı son değeri tahmin etme işlemini yaparak göstermek istersek.
Moving Average (3 gözlemin ortalaması):
(2250+6000+3200)/3 =3.816
Weighted Average ([0.1,0.3,0.6]):
(2250*0.1+6000*0.3+3200*0.6) =3.945
- Yukarıdaki işlem için yorum yapacak olursak ağırlıklı veri, hareketli ortalamadan tahmine göre daha iyidir.
Smoothing Yöntemleri
1.Basit Üstel Düzleştirme Yöntemi (Single Exponential Smoothing-SES)
Trend ve mevsimsel dalgalanmaya sahip olmayan, sadece durağan serilerin analizinde uygulanır. Aşağıdaki modeli yorumlayacak olursak, kendisinden bir önceki gözlemi öğrenecek ve son tahmininden hatırlayacaktır. Modelin bir önceki tahmini barındırması demek gerçek değerlere dayalı olarak modelin bir önceki öğrenmeleri hatırladığı bölümdür.
Modelde gözüken alfa değeri 0–1 arasında bulunur. Alfa değeri 0'a yakınsa tahmine ağırlık verirken, 1 değerine yakınsa öğrenmeye ağırlık verir.
2.Holt Üstel Düzleştirme Yöntemi (Double Exponential Smoothing-DES)
Trende sahip mevsimsel dalgalanması olmayan tek değişkenli zaman serileri için uygundur. Single Exponential Smoothing yönteminden farkı trend özelliğinin eklenmesidir.
Bu algoritma verilerin artış ve azalış aşamasında veri için tahmin etme aşamasında kullanılır.
3.Winters Üstel Düzleştirme Yöntemi (Triple Exponential Smoothing)
En gelişmiş smoothing yöntemidir. Single Exponential Smoothing ek olarak trend hem de mevsimsellik içeren bir zaman serisini modellemek için kullanılabilir.
Bu yazımda zaman serileri hakkında temel bilgiler vermeye ve konuya giriş yapmaya çalıştım. Umarım faydalı olmuştur. Bir sonraki yazımda görüşmek dileğimle…
dsbootcamp4/Veri Bilimi Okulu/ https://github.com/mvahit
https://orangematter.solarwinds.com/2017/06/22/exponential-smoothing-for-time-series-forecasting/
https://otexts.com/fpp2/holt-winters.html
https://www.researchgate.net/figure/Double-Exponential-Smoothing_fig8_317949738
