You are here

YAPAY SİNİR AĞLARI VERİ ÖN İŞLEMESİ: ZAMAN SERİSİ TAHMİNLEMESİ İÇİN GEREKLİ MİDİR?

NEURAL NETWORK DATA PREPROCESSING: IS IT NECESSARY FOR TIME SERIES FORECASTING?

Journal Name:

Publication Year:

Keywords (Original Language):

Author NameUniversity of AuthorFaculty of Author
Abstract (2. Language): 
Neural networks (NNs) are a commonly used method to solve the time series-forecasting problem. NNs have some advantages compared with traditional forecasting models, such as auto regressive moving average or auto regressive integrated moving average. NNs do not need to have any statistical assumption like normal distribution. However, data preprocessing, normalization, trend adjusting, seasonal adjusting, or both differencing can introduce better results in some studies. In this study, we have tried to investigate whether data preprocessing methods are useful for time series data, which contains trend, seasonality or unit root. For this purpose, we collected the real time series data belonging to monthly or quarterly observations and used nonlinear autoregressive (NAR) and multilayer perceptron (MLP) models. Although we obtained significant differences between data preprocessing methods, the structure of MLP with differenced variable produced the worst results.
Abstract (Original Language): 
Yapay sinir ağları zaman serisi tahmini problemlerinin çözümünde sıklıkla kullanılan modellerdir. ARMA veya ARIMA gibi geleneksel zaman serisi tahmin modelleri ile karşılaştırıldıklarında da bazı avantajlara sahiptirler. Sinir ağları normal dağılıma uygunluk gibi değişkenlerin sağlaması gereken bazı istatistiksel varsayımların sağlanmasını gerektirmez. Bununla birlikte normalizasyon, trenden arındırma veya mevsimsel düzeltme gibi bazı veri ön işleme uygulamaları ile daha iyi sonuçların üretildiği de bazı çalışmalarda görülmektedir. Bu çalışmada, trend, mevsimsellik ve birim kök içeren zaman serilerine uygulanan veri ön işleme uygulamalarının tahmin sonuçlarına etkileri araştırılmıştır. Bu amaçla, bazı değişkenlere ait aylık ve çeyreklik veriler kullanılarak doğrusal olmayan oto regresif (NAR) ve çok katmanlı algılayıcı (MLP) modellerinin tahmin performansları araştırılmıştır. Sonuçlara göre veri ön işleme uygulamaları arasında önemli farklılıklar tespit edilmekle birlikte, fark serileri ile oluşturulan MLP modellerinin en kötü sonuçları ürettiği açık bir şekilde görülmüştür.

REFERENCES

References: 

ALON, I., QI, M. ve SADOWSKI, R. J. (2001). "Forecasting Aggregate Retail Sales", Journal of Retailing and Consumer Services, 8(3): 147–156. http://doi.org/http://dx.doi.org/10.1016/S0969-6989(00)00011-4
BISHOP, C. M. (1995). Neural Networks for Pattern Recognition, New York, NY: Oxford University Press.
Akademik Araştırmalar ve Çalışmalar Dergisi
Cilt: 9, Sayı: 17, Yıl: 2017
Journal of Academic Researches and Studies
Vol: 9, No: 17, Year: 2017
154
FINDLEY, D. F., MONSELL, B. C., BELL, W. R., OTTO, M. C. ve CHEN, B.C. (1998). "New Capabilities and Methods of the X-12-ARIMA Seasonal-Adjustment Program", Journal of Business & Economic Statistics, 16(2): 127–152. http://doi.org/10.1080/07350015.1998.10524743
GHYSELS, E., GRANGER, C. W. J. ve SIKLOS, P. L. (1996). "Is Seasonal Adjustment a Linear or Nonlinear Data-Filtering Process?", Journal of Business & Economic Statistics, 14(3): 374–386. http://doi.org/10.1080/07350015.1996.10524663
GORR, W. L. (1994). "Editorial: Research Prospective on Neural Network Forecasting". International Journal of Forecasting, 10(1): 1–4. http://doi.org/http://dx.doi.org/10.1016/0169-2070(94)90044-2
HAMZAÇEBİ, C. (2008). "Improving artificial Neural Networks’ Performance in Seasonal Time Series Forecasting", Information Sciences, 178(23): 4550–4559. http://doi.org/http://dx.doi.org/10.1016/j.ins.2008.07.024
HORNIK, K., STINCHCOMBE, M. ve WHITE, H. (1989). "Multilayer Feedforward Networks are Universal Approximators", Neural Networks, 2(5): 359–366. http://doi.org/http://dx.doi.org/10.1016/0893-6080(89)90020-8
HYLLEBERG, S. (1992). Modelling Seasonality (1st ed.), Oxford: Oxford University Press.
MAKRıDAKIS, S., ANDERSEN, A., CARBONE, R., FILDES, R., HIBON, M., LEWANDOWSKI, R., … WINKLER, R. (1982). "The Accuracy of Extrapolation (Time Series) Methods: Results of a Forecasting Competition", Journal of Forecasting, 1(2): 111–153. http://doi.org/10.1002/for.3980010202
NELSON, M., HILL, T., REMUS, W. ve O’CONNOR, M. (1999). "Time series Forecasting Using Neural Networks: Should the Data Be Deseasonalized First?", Journal of Forecasting, 18(5): 359–367. http://doi.org/10.1002/(SICI)1099-131X(199909)18:5<359::AID-FOR746>3.0.CO;2-P
ÖZTEMEL, E. (2006). Yapay Sinir Ağları (2nd ed.), İstanbul: Papatya Yayıncılık.
RİPLEY, B. D. (1996). Pattern Recognition and Neural Networks. http://doi.org/http://dx.doi.org/10.1017/cbo9780511812651
SHARDA, R. ve PATIL, R. B. (1992). "Connectionist Approach to Time Series Prediction: An Empirical Test", Journal of Intelligent Manufacturing, 3(5): 317–323. http://doi.org/10.1007/BF01577272
YEGNANARAYANA, B. (2005). Artificial Neural Networks (11th ed.), New Delhi: Prentice-Hall of lndia Private Limited.
ZHANG, G. P. ve KLINE, D. M. (2007). "Quarterly Time-Series Forecasting with Neural Networks", IEEE Transactions on Neural Networks, 18(6): 1800–1814. http://doi.org/10.1109/TNN.2007.896859
ZHANG, G. P. ve QI, M. (2005). "Neural Network Forecasting for Seasonal and Trend Time Series", European Journal of Operational Research, 160: 501–514. http://doi.org/10.1016/j.ejor.2003.08.037

Thank you for copying data from http://www.arastirmax.com