Tez No	İndirme	Tez Künye	Durumu
730709		Monte-Carlo forecasting and optimization of time series data using data mining and regression models / Yazar:SALIM JIBRIN DANBATTA Danışman: PROF. DR. ASAF VAROL Yer Bilgisi: Fırat Üniversitesi / Fen Bilimleri Enstitüsü / Yazılım Mühendisliği Ana Bilim Dalı / Yazılım Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Fourier dönüşümü = Fourier transformation ; Modelleme = Modelling ; Monte Carlo benzetimi = Monte Carlo simulation ; Polinomlar = Polynomials ; Tahmin = Estimation ; Zaman serileri = Time series	Onaylandı Doktora İngilizce 2022 124 s.
Literatürde zaman serisi modelleme ve tahmin görevleri için birçok farklı model önerilmiştir. Bununla birlikte, bu katkılara rağmen, mevsimsel zaman serisi verilerinin trendlerle modellenmesi ve tahmin edilmesi üzerine araştırma, ilginç ve zorlu bir görev olmaya devam etmektedir. Son zamanlarda, 21. yüzyılda, COVID-19 pandemisinin patlak vermesiyle birlikte zaman serisi verileri, olası olay sonuçlarının çoğunda belirsizlik yaşıyor. Kuruluşlar, karar vermede yardımcı olan bir araç olduğu için, özellikle serilerin gelecekteki değerlerini tahmin etmede, zaman serisi verilerinin doğal dinamikleri hakkında bir fikir verecek modellere meraklıdır. En iyi yaklaşım, tahmindeki belirsizlikleri hesaba katabilecek bir modele sahip olmak olacaktır. Bu çalışmada, farklı zaman serisi verilerini yakalamak ve tanımlamak için üç hibrit zaman serisi regresyon modeli önerdik: Polinom-Fourier serisi, ANN-Polinom-Fourier serisi ve ANN-Fourier serisi modelleri. Modeller polinom uydurma, Fourier uydurma ve yapay sinir ağını birleştirir. Tahmin belirsizliklerini hesaba katmak için modellerin regresyon eğrisinin %95 sınırları içinde 100 Monte Carlo simülasyonu çalıştırdık. Modeller, Türkiye, Japonya, Malezya ve Singapur turizm verilerini içeren birçok zaman serisi verisine uygulanmıştır. Modellerin, her durumda zaman serisi modelleme ve tahmin için değerli adaylar olarak kabul edildiği kanıtlanmıştır. Monte-Carlo simülasyon yöntemi, belirsiz tahmin sonuçlarını tahmin etmede başarılı oldu. Çok adımlı bir tahmin, 2021'de Türkiye'ye gelen yabancı ziyaretçi sayısında %10.22'lik bir artış olduğunu gösterirken, Japonya, Malezya ve Singapur, gelen sayısında %92.42, %54.81 ve %70.55'lik bir düşüş bekliyor.
Many different models for time series modeling and forecasting tasks are proposed in the literature. However, research on modeling and forecasting seasonal time series data with trends remains an interesting and challenging task despite these contributions. Lately, in the 21st century, with the outbreak of the COVID-19 pandemic, time-series data experience uncertainty in most possible event outcomes. Organizations are keen on models that would provide them with an insight into the inherent dynamics of their time-series data, especially in predicting the future values of the series, as it is a tool that assists in decision-making. The best approach would be to have a model that can account for uncertainties in estimation. In this study, we proposed three hybrid time-series regression models: Polynomial-Fourier series, ANN-Polynomial-Fourier series, and ANN-Fourier series models to capture and describe different time-series data. The models combine the polynomial fitting, the Fourier fitting, and the artificial neural network. We ran 100 Monte Carlo simulations within 95% bounds of the models' regression curve to account for prediction uncertainties. The models were applied to many time-series data, which includes the tourism data of Turkey, Japan, Malaysia, and Singapore. The models have proven to be considered worthy candidates for time-series modeling and forecasting in each case. The Monte-Carlo simulation method was successful in predicting uncertain forecast outcomes. A Multi-step ahead forecast suggests a 10.22% increase in foreign visitors arrivals for Turkey in 2021, while Japan, Malaysia, and Singapore will expect a 92.42, 54.81%, and 70.55% decrease in the number of arrivals.