Tez No	İndirme	Tez Künye	Durumu
444711		Recurrent Type-1 Fuzzy Functions Approach for Time Series Forecasting / Zaman Serileri Öngörülerinde 1. Tip Bulanık Fonksiyon Yaklaşımı Yazar:NİHAT TAK Danışman: DOÇ. DR. ATIF AHMET EVREN ; PROF. DR. MÜJGAN TEZ Yer Bilgisi: Yıldız Teknik Üniversitesi / Fen Bilimleri Enstitüsü / İstatistik Ana Bilim Dalı / İstatistik Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Endüstri ve Endüstri Mühendisliği = Industrial and Industrial Engineering ; İstatistik = Statistics Dizin:Bulanık mantık = Fuzzy logic ; Ekonomik zaman serisi = Economic time series ; Parçacık sürü optimizasyonu = Particle swarm optimization ; Regresyon analizi = Regression analysis ; Sinirsel bulanık mantık = Neuro fuzzy logic ; İstatistik = Statistics	Onaylandı Doktora İngilizce 2016 75 s.
Zaman serileri analizinde öngörü yapmak araştırmacılar tarafından incelenilen yaygın bir problemdir. Daha iyi öngörü elde edebilmek için önerilmiş bir çok yöntem bulunmaktadır. Bunlardan bazıları olasılık tabanlı iken, bazıları olasılıksal olmayan yöntemlerdir. Otoregresif hareketli ortalamalar ve üstel düzleştirme yöntemlerı olasılıksal, yapay sinir ağları ve bulanık çıkarım sistemi yöntemleri ise olasılıksal olmayan yöntemlerden en yaygın olarak kullanılanlardır. Bulanık çıkarım sistemlerinin bir çoğu kural tabanlı yöntemlerken, 1. tip bulanık fonksiyon kural tabanlı bir yöntem değildir. Literatürde 1. tip bulanık fonksiyon yöntemini otoregresif modeller ile birleştiren yöntemlere rastlamak mümkün olmala beraber, 1. tip bulanık fonksiyonu hareketli ortalamalar ile birleştiren bir yöntem henüz önerilmemiştir. Bu tez çalışmasının amacı 1. tip bulanık fonksiyon yaklaşımını otoregresif hareketli ortalamalar modeli ile birleştirerek zaman serilerine ilişkin daha iyi öngörüler elde etmektir. Çalışmada, girdi matrisinin oluşturulması şu şekilde olmuştur: İlk olarak zaman serisinin gecikmeli değerleri modelin otoregresif kısmı için bağımsız değişkenler olarak alınmıştır. İkinci olarak, bulanık c-kümeleme yöntemi kullanılarak girdiler kümelenmiştir ve üyelik dereceleri ile küme merkezleri hafızada tutulmuştur. Son olarak önerilen yöntemin hareketli ortalamalar kısmı için bulanık fonksiyonun hataları kullanılarak kalıntı terimleri elde edilmiştir. Böylece, AR(p), MA(q) ve üyelik dereceleri girdi matrisinde toplanmıştır. Amaç fonksiyonumuz türevlenebilir bir fonksiyon olmadığından bu değeri minimum yapma amacı ile parçacık sürü optimizasyon yöntemi kullanılmıştır. Önerilen yöntemin performansını test etmek için Avusturalya bira tüketim verisi (ABC), 1999-2004 yılları arası Taiwan borsası verisi ve 2009-2013 yılları arası İstanbul Borsası günlük verileri uygulama veri seti olarak kullanılmıştır. Elde edilen sonuçlara göre, önerilen yöntemin diğer kıyaslanan yöntemlere göre daha iyi sonuçlar verdiği gözlemlenmiştir.
Forecasting future values of a time series is a widespread problem for researchers. There are a lot of methods for these kinds of problems. While some of these are probabilistic, some of them are non-probabilistic methods. For probabilistic methods, autoregressive integrated moving average and exponential smoothing methods are commonly used. For non-probabilistic methods, Artificial Neural Networks (ANN) and fuzzy systems have been commonly used. There are numerous fuzzy systems methods. While most of these methods are rule-based, there are a few methods which do not require rules, such as type-1 fuzzy functions approach. While it is possible to encounter with a model such as AR model integrated to T1FF, there has not been proposed any model including type-1 fuzzy functions and moving average model in one algorithm. Our intuition is to get better forecasting results taking into account the disturbance terms. The input data set is organized with the following variables. First, lagged values of the time series are used for the AR(p) part. Second, FCM algorithm is used to cluster the inputs. The degree of memberships and centers are stored. Third, for the MA(q) part, fuzzy functions' residuals are used. So, AR(p), MA(q), and degree of memberships of the objects are restored in the input data set. Since the function we have is not a derivative function, particle swarm optimization algorithm is preferred to obtain estimations of the coefficients. Australian beer consumption (ABC) data set, Istanbul stock exchange (BIST100) data sets from 2009 to 2013, and Taiwan stock exchange (TAIEX) data sets from 1999 to 2004 are used to evaluate the performance of the proposed method. The outcomes show that the proposed method outperforms the other methods for 12 real-world time series data sets.