Professional Documents
Culture Documents
Ocak.2013.101-115.
YAPAY SİNİR AĞLARI İLE ÖNGÖRÜ MODELLEMESİ FORECASTING BY USING ARTIFICIAL NEURAL
NETWORKS
Özet: Gelişen teknolojiye paralel olarak artan işleme ve
hesaplama gücü ile birlikte, karmaşık simülasyonların Abstract: Along with the processing and computation power
yapılması ve gelişmiş yapay zeka teknolojilerini kullanılarak increasing parallel with the developing technology, performing
temel kriterlere dayalı olarak geleceğe dönük öngörümleme complex simulations and establishing forecasting models
modellemelerinin gerçekleştirmesi mümkün hale gelmiştir. Bu using developed artificial intelligence technologies based on
modellemelerin gerçekleştirilmesini sağlayan önemli bir the main criterions have been rendered possible. One
uygulama alanı ise “Yapay Sinir Ağları”dır. Bu çalışmada important application field ensuring the possibility of these
öngörümleme tekniklerinden zaman serisi yöntemlerine giren models is “Artificial Neural Networks”. In this study, it is
“Box-Jenkins (ARIMA) Metodolojisi” ve “Yapay Sinir Ağları” aimed to determine the method providing the highest success
yöntemlerinin öngörüperformanslarını karşılaştırarak en by comparing the forecasting performances of the “Box-
yüksek başarıyı sağlayan yöntemin belirlenmesi ve belirlenen Jenkins (ARIMA) Methodology” and “Artificial Neural
yöntem yardımıyla 11 yıl için bir şirketten rastgele seçilen dört Networks” which are included in the time series methods of
ürünün aylar itibariyle satış rakamlarının tahmin edilmesi the forecasting techniques and to forecast with the determined
amaçlanmıştır. Çalışmanın uygulama bölümünde method the sales values of three products choosen randomly
öngörümleme tekniği olarak Yapay Sinir Ağlarının from the products being produced in a company for 11 years
kullanımının daha başarılı sonuçlar ürettiği sonucuna are aimed. In the application part of the study it is reached to
varılmıştır. conclusion that to use Artificial Neural Networks as a
forecasting method will give more successful results.
Anahtar Kelimeler: Yapay Sinir Ağları, Öngörü Modelleri,
Zaman SerileriAnalizi, Box-Jenkins Metodolojisi Keywords: Artificial Neural Networks, Forecasting Methods,
Time Series Analysis, Box-Jenkins Methodology
sağlayabilmektedir. YSA'nın bir öngörümleme aracı modeli ortaya koyan bir algoritma veya fiziksel araç
olarak kullanılmasına ilişkin bir çok araştırmacı olarak tanımlanabilir. Biyolojik sinir hücresinin
tarafından yapılmış çok sayıda çalışma olmasına rağmen, tanımından hareket ederek, yapay bir sinir hücresinin
YSA'nın performansını etkileyen anahtar faktörlerin neler diğer sinir hücrelerinden aldığı sinyalleri bünyesinde
olduğu konusunda kesin bir yargı yoktur. Belirtilen bu topladığını ve toplam sinyal birikiminin belli bir eşiği
faktörlere ek olarak, eğitim algoritması, veri kümesinin aştığı anda, bu yapay sinir hücresinin kendi sinyalini bir
düzenlenmesi, kestirim dönemi uzunluğu faktörlerinin de başka sinir hücresine ilettiği söylenebilir [4].
YSA performansı üzerinde etkili olduğu düşünülmektedir.
Biyolojik sinir ağlarının sinir hücreleri olduğu gibi
Bu nedenle bütün bu faktörlerin etkisini araştıracak bir
yapay sinir ağlarının da yapay sinir hücreleri vardır.
çalışmanın faydalı olacağına inanılmaktadır.
Yapay sinir hücreleri mühendislik biliminde proses
Bu çalışmada, yeni bir yöntem olan Yapay Sinir elamanları olarak da adlandırılmaktadır. Şekil 1’de
Ağları (Artificial Neural Networks) teknolojisi gösterildiği gibi her proses elemanının 5 temel elemanı
incelenecek, öngörümleme tekniği olarak özel bir şirkette vardır. Bunlar; girdiler, ağırlıklar, toplama fonksiyonu,
ele alınan üç ürünün satış rakamlarına uygulanacak ve aktivasyon fonksiyonu ve çıktılardır [5].
literatürde yer alan başka öngörümleme teknikleri ile
karşılaştırmalı olarak performans değerlendirmesi
yapılacaktır.
102
Burçin ATASEVEN
dahil edilmezler. Çıktı tabakası ise çıktıları dışarı ileten II.2. Yapay Sinir Ağlarının Sınıflandırılması
nöronları içeren tabakadır. Girdi ve çıktı tabakaları tek
Yapay sinir ağlarını yapılarına ve öğrenme
tabakadan oluşurken bu iki tabaka arasında birden fazla
algoritmalarına göre sınıflandırmak mümkündür.
gizli tabaka bulunabilir. Bu gizli tabakalar çok sayıda
Çalışmanın bu alt bölümünde yapay sinir ağlarını sadece
nöron içerirler ve bu nöronlar tamamen ağ içindeki diğer
yapılarına göre sınıflandırıp bir sonraki alt bölümde
nöronlarla bağlantılıdırlar. Çoğu ağ türünde, gizli
öğrenme algoritmaları açıklanmaya çalışılacaktır.
tabakadaki bir nöron sadece bir önceki tabakanın tüm
nöronlarından sinyal alır. Nöron işlemini yaptıktan sonra Yapay sinir ağı mimarileri, sinirler arasındaki
ise çıktısını bir sonraki tabakanın tüm nöronlarına bağlantıların yönlerine göre veya ağ içindeki işaretlerin
gönderir. Bu yapı ağın çıktısı için bir ileri besleme akış yönlerine göre ikiye ayrılmaktadır; ileri beslemeli
patikası oluşturur. Bu bir nörondan diğerine olan iletişim (feed forward) ve geri beslemeli (feedback, recurrent)
hattı, sinir ağları için önemli bir parçadır [7]. ağlardır.
İleri beslemeli ağlarda işlemci elemanlar genellikle
katmanlara ayrılmışlardır. İşaretler, girdi katmanından
çıktı katmanına tek yönlü bağlantılarla iletilir. İleri
beslemeli YSA’da, hücreler katmanlar şeklinde
düzenlenir ve bir katmandaki hücrelerin çıkışları bir
sonraki katmana ağırlıklar üzerinden giriş olarak verilir.
Giriş katmanı, dış ortamlardan aldığı bilgileri hiçbir
değişikliğe uğratmadan orta (gizli) katmandaki hücrelere
iletir. Bilgi, orta ve çıkış katmanında işlenerek ağ çıkışı
belirlenir [10].
İleri beslemeli ağlara örnek olarak Çok Katmanlı
Algılayıcılar (Multilayered Perceptrons-MLP) ve
Öğrenme Vektör Nicelendirmesi (Learning Vector
Quantization-LVQ) ağları verilebilir [11]. Çalışmada ileri
beslemeli çok katmanlı algıyacıyı kullanacağımızdan
burada sadece Çok Katmanlı Algılayıcıların
çalışmasından bahsedilecektir.
103
Ocak.2013.101-115.
bunu modellemek mümkün değildir. Bu tür problemler aradaki ilişkiyi kendi algoritmasını kullanarak
için daha gelişmiş bir ağ türüne ihtiyaç duyulmuştur. Çok keşfetmektedir [5].
katmanlı alılayıcı da bu amaçla geliştirilen bir ağdır.
Yapay sinir ağlarının öğrenmesi için iki yaklaşım
Birçok öğrenme algoritmasının bu ağı eğitmede
bulunmaktadır; danışmanlı (supervised) ve danışmansız
kullanılabilir olması, bu modelin yaygın kullanılmasının
(unsupervised) öğrenmedir.
sebebidir.
Yapay sinir ağlarında en fazla kullanılan öğrenme
Şekil 3’de bir çok katmanlı algılayıcının yapısı
metodu olan danışmanlı öğrenmede, yapay sinir ağına
gösterilmiştir. Bir çok katmanlı algılayıcı modeli, bir
örnek olarak bir çıktı (beklenen çıktı) verilir ve bu çıktıyla
giriş, bir veya daha fazla gizli ve bir de çıkış katmanından
ağın ürettiği çıktı karşılaştırılır. İki çıktı arasındaki fark
oluşur. Her bir katmanda da bir veya daha fazla sayıda
hata olarak alınır. Başlangıçta genellikle rassal olarak
işlem elemanı bulunur. Bir katmandaki bütün işlem
verilen ağırlıklar ağ tarafından hata minimize edilene
elemanları bir üst katmandaki bütün işlem elemanlarına
kadar döngüler halinde değiştirilir [7].
bağlıdır. Bilgi akışı ileri doğru olup geri besleme yoktur.
Bunun için bu tip ağlar ileri beslemeli sinir ağı modeli Danışmanlı öğrenmede, yapay sinir ağı
olarak adlandırılır. Giriş katmanında herhangi bir bilgi kullanılmadan önce eğitilmelidir. Eğitme işlemi, sinir
işleme yapılmaz. Giriş ve çıkış katmanındaki işlemci ağına giriş ve çıkış bilgileri sunmaktan oluşur. Bu bilgiler
elemanı sayısı tamamen uygulanan probleme bağlıdır. genellikle eğitme kümesi olarak tanımlanır. Yani, her bir
Ara katman sayısı ve ara katmanlardaki işlemci elemanı giriş kümesi için çıkış kümesi ağa sağlanmalıdır [15].
sayısı ise, deneme yanılma yolu ile bulunur.
Geri beslemeli ağ mimarileri, genellikle
danışmansız öğrenme kurallarının uygulandığı ağlarda
kullanılmaktadır. Bu tip ağlarda en az bir hücrenin çıkışı
kendisine veya diğer hücrelere giriş olarak verilir ve
genellikle geri besleme bir geciktirme elemanı üzerinden
yapılır. Geri besleme, bir katmandaki hücreler arasında
olduğu gibi katmanlar arasındaki hücreler arasında da
olabilir. Bu yapısı ile geri beslemeli yapay sinir ağları,
doğrusal olmayan dinamik bir davranış göstermektedir.
Geri beslemeli ağlara örnek olarak Hopfield, Elman ve Şekil 4: Danışmanlı Öğrenme Yapısı [11]
Jordan ağları verilebilir [13].
Şekil 4’de danışmanlı öğrenme yapısı
II.3. Yapay Sinir Ağlarında Öğrenme gösterilmektedir. Bu öğrenme yönteminde öğrenmeye
dışarıdan müdahale eden bir öğretmen, danışman vardır.
Yapay sinir ağlarının en ayırt edici özelliklerinden Öğrenme danışmanın kontolündedir. Danışman, eğitim
birisi de öğrenme yeteneğine sahip olmasıdır. Öğrenme kümesini ve hata değerini belirleyerek eğitimin ne kadar
elde bulunan örnekler arasındaki yapının iyi bir davranış devam edeceğine karar verir. Bu yöntemin en önemli
göstermesini sağlayabilecek olan bağlantı ağırlıklarının özelliği eğitim esnasında gerçek giriş, çıkış değerlerin
hesaplanması olarak tanımlanır. Yapay sinir ağları kullanılmasıdır. Danışmanlı öğrenme kuralları şunlardır:
öğrenme esnasında elde ettiği bilgileri, sinir hücreleri [14]
arasındaki bağlantı ağırlıkları olarak saklar. Bu ağırlık
değerleri yapay sinir ağlarının verileri başarılı bir şekilde 1. Algılayıcı (Perceptron) Öğrenme Kuralı
işleyebilmesi için gerekli olan bilgileri içerir [14]. 2. Delta Öğrenme Kuralı
3. Genişletilmiş Delta Öğrenme Kuralı
Yapay sinir ağları gibi öğrenme yöntemleri 4. Geri Yayılımlı Öğrenme Kuralı
örneklerden öğrenmeye dayanmaktadır. Örneklerden
öğrenmenin temel felsefesi bir olay hakkındaki Uygulamada geri yayılımlı öğrenme kuralını
gerçekleşmiş örnekleri kullanarak olayın girdi ve çıktıları kullanacağımızdan burada danışmanlı öğrenme
arasındaki ilişkileri öğrenmek ve bu ilişkilere göre daha kurallarından sadece geri yayılımlı öğrenme kuralından
sonra oluşacak olan yeni örneklerin çıktılarını bahsetmenin daha yararlı olacağı düşünülmektedir.
belirlemektir. Burada bir olay ile ilgili örneklerin girdi ve Yapay sinir ağlarının istenilen giriş-çıkış
çıktıları arasındaki ilişkinin olayın genelini temsil edecek karakteristiğini ne kadar sağladığının bir ölçüsü olarak,
bilgiler içerdiği kabul edilmektedir. Değişik örneklerin yapay sinir ağının çıkış katmanındaki her sinirine ait hata
olayı değişik açılardan temsil ettiği varsayılmaktadır. sinyallerinin karelerinin toplamından oluşan bir uygunluk
Farklı örnekler kullanarak böylece olay değişik açılardan fonksiyonu tanımlanmıştır. Eğitimin k’inci iterasyonunda
öğrenilmektedir. Burada bilgisayara sadece örnekler yapay sinir ağının çıkış katmanındaki i’inci sinirinin çıkış
gösterilmektedir. Bunlardan başka herhangi bir ön bilgi değeri , bu sinirden vermesi istenilen değer ile
verilmemektedir. Öğrenmeyi gerçekleştirecek sistem gösterilirse, i sinirin hata sinyali:
104
Burçin ATASEVEN
(2.3)
wij j yi
(2.4)
105
Ocak.2013.101-115.
için kullanılan örnekler birbirine çok benzer ise geniş η yöntemlerden bahsedilerek zaman serisi analizleri
değerleri kullanılabilir ve böylece eğitim fazla zaman yöntemleri daha kapsamlı olarak ele alınacaktır.
almaz (0,8 veya 0,9 gibi). Eğer kullanılan örnekler
yeterince iyi değilse, gürültüden doğacak tehlikelerden III.1. Zaman Serileri Analizi
sakınmak için ηdeğeri 0,2-0,1 arasında tutulmalıdır.
Zaman serisi, zaman sırasına konmuş gözlem
Örnekler hakkında bilgi yoksa, ortalama değer alınmalıdır
değerleri kümesi olarak tanımlanabilir. Zaman serisinde
[15].
ilgilenilen özellik bir değişkendir. Bu değişken zaman
Danışmansız öğrenme metodu ise, yapay sinir içerisinde çeşitli nedenlere bağlı olarak farklı değerler
ağlarında sürekli araştırılan ve gelişen bir öğrenme alır. Dolayısıyla zaman serisi, zaman sırasına konmuş
metodudur. Bu metot, gelecekte bilgisayarların insan değişken değer kümesi olarak ifade edilebilir. Başka bir
yardımı olmadan öğrenebileceklerinin göstergesidir. ifadeyle, gözlemlerin belirli bir dönem için gün, hafta, ay,
Ancak günümüzde sınırlı kullanım alanları bulan ve hala üç ay, yıl gibi birbirini izleyen eşit aralıklarla yapılması
yoğun araştırma konusu olan bir öğrenme metodudur [7]. ile elde edilen seriler zaman serileri olarak
adlandırılmaktadır ve incelenen zaman serisi Yt ile
III. ÖNGÖRÜMLEME TEKNİKLERİ simgelendiğinde gözlemler de t=1,2,....,T olmak üzere
şeklinde gösterilebilir [25].
Geleceği öngörümleme sosyo-ekonomik
gelişmenin vazgeçilmez bir unsurudur. Karar verme Zaman serileri analizinde, öngörümlenecek
durumunda olan bütün özel veya kamu kuruluşlarının değişkene ilişkin veriler belirli bir veri seyri elde etmek
gelecek zamanda durumlarını muhafaza etmeleri ve üzere analiz edilmektedir. Bu nedenle öngörümleme
geliştirebilmeleri, gelecekteki olayları sadece geçmiş verilerin bu amaçla analiz edilmesine ve
öngörümleyebilmeleri ve iyi bir plan çerçevesinde uygun yapılacak tahminlerde kullanılmasına dayanmaktadır. Bu
çözümler bulmaları ile mümkündür[17]. özelliğinden dolayı zaman serileri analizi, değişmeyen
koşullar altında daha etkin olmaktadır [26].
Öngörümleme teknikleri, literatürde farklı
şekillerde sınıflandırılmış olmakla beraber temelde iki Zaman serileri analizinde literatürde yer alan bir
grupta ele alınmaktadır [18][19]: çok yöntem bulunmaktadır. Bunlardan bazıları mekanik
tahmin yöntemleri, hareketli ortalamalar yöntemi, üstel
1. Nitel (kalitatif) Yöntemler,
düzleştirme yöntemleri ve Box-Jenkins modelleridir. Bu
2. Nicel (kantitatif) Yöntemler.
alt bölümde Box-Jenkins metodolojisine değinilecektir.
Genel olarak nicel yaklaşımların girdisi, çeşitli
zaman aralıklarında toplanmış olan verilerdir. Verilerin III.1.1. Box-Jenkins Metodolojisi
iyi bir şekilde analiz edilmesi, bu yöntemlerin temelini
Zaman serileri kesikli, doğrusal ve stokastik süreç
oluşturmaktadır. Buna karşılık nitel yaklaşımlar, konu ile
içeriyorsa Box-Jenkins veya ARIMA modeli olarak
ilgili uzmanların bilgi ve deneyimlerinden yararlanarak bu
adlandırılır. Anılan modeller doğrusal filtreleme modelleri
alandaki gelişmelerin ne yönde olacağı, ne tür ihtiyaçlar
olarak da bilinmektedir. Otoregresif (AR-Auto-
ortaya çıkaracağı gibi konularda yoğunlaşmaktadır [20].
Regressive), hareketli ortalama (MA-Moving Average),
Uygulamada ileriye dönük öngörümlemelerde nicel ve
AR ve MA modellerinin karışımı olan Otoregresif
nitel yöntemlerin bir arada kullanıldığı da görülmektedir.
Hareketli Ortalama (ARMA-Auto Regressive Moving
Nicel yöntemlerle elde edilen öngörümleme sonuçları
Average) modelleri en genel doğrusal durağan Box-
tarafsız ve deneyimli uzmanların görüşleri ışığında
Jenkins modelleridir. Durağan olmayıp fark alma işlemi
değerlendirilerek kullanılabilmektedir [21].
sonucunda durağanlaştırılan serilere uygulanan modellere
Öngörümlenecek ekonomik değişkenin geçmiş Birleştirilmiş Otoregresif Hareketli Ortalama (ARIMA-
dönemlerde gerçekleşen sayısal değerleri esas alınarak, Auto Regressive Integrated Moving Average) modeli adı
bir takım matematik ve istatistik kurallarla gelecekteki verilir. ARIMA modeli Box-Jenkins tekniği olarakta
değerlerine bir yaklaşımda bulunmaya çalışan tüm adlandırılır. Box-Jenkins modellerinde amaç; zaman
öngörümleme teknikleri, nicel öngörümleme tekniği serisine en iyi uyan, en az parametre içeren doğrusal
sınıfına girer. Bu yöntemlerin hepsinde, ele alınan veri modelin belirlenmesidir [27].
setinin belirli bir sisteme göre geliştiği ve ayrıca sistemin
Box ve Jenkins’e göre zaman serileri durağan veya
yapısında tesadüfi unsurların da mevcut olduğu
bazı dönüşümlerle durağan hale dönüştürülebilen kesikli
varsayımından hareket edilir [22]. Nicel öngörümleme
stokastik bir süreç olarak düşünülebilir. Box-Jenkins
teknikleri genel olarak iki gruba ayrılmaktadır: [23][24]
yönteminin kullanılabilmesi için, bir zaman serisinin ya
1. İlişkiye Dayalı (Nedensel) Yöntemler, durağan olması, ya da farkı alındığında durağanlaşması
2. Zaman Serisi Analizleri. gerekir. Box-Jenkins’in amacı, örneklem verilerini
türettiği düşünülebilecek bir istatistik modelini belirlemek
Araştırmada esas alınan öngörümleme tekniği,
ve tahmin etmektir. Tahmin edilen bu model kestirim için
nicel öngörümleme yöntemlerinden zaman serisi
kullanılacaksa, modelin özellikleri zaman içinde, özellikle
analizleri olacağından, kısaca ilişkiye dayalı
106
Burçin ATASEVEN
107
Ocak.2013.101-115.
veya kısaca
yt 1 1 B 2 B 2 3 B 3 ....... q B q et (3.12)
B y t et (3.6) veya kısaca
olarak gösterilebilir. p’inci mertebeden AR işlemcisi yt B et
olan ’nin açılımı ise, (3.13)
108
Burçin ATASEVEN
wt d yt (3.20)
eşitliğinde,
= fark alma sonucu oluşan seriyi
Şekil 7: PVC S 39 Ürünün Zaman Yolu Grafiği
= fark alma işlemcisini
yt wt yt yt 1 1 B yt
(3.21)
d yt wt 1 Bd yt (3.22)
109
Ocak.2013.101-115.
110
Burçin ATASEVEN
ei2 ( w) ( wk wk ) ( wk )
düşünülürse m tane hata terimi için ~ aşağıda
(iv) şayet ~ ~ ~ ’yı 10 kat
verilmiştir. arttır ve (iii)’e git,
2
m
( wk wk ) ( wk )
( w) ei2 ( w) f ( w) ~ ~ ~ ’yı
~ ~ ~ (v) şayet 10
i 1 (4.1) azalt,
ei2 ( w) ( yi yd i ) 2 wk : wk wk wk
~ ~ ~ ~ ~ ~ ~ ’yi güncelleştir ve (iii)’e
Bu eşitlikte dir.
git.
Burada amaç fonksiyonu f (.) ve onun Jakobiyeni
Hedef çıkışı hesaplamak için bir MLP’nin LMM
w w0
J’nin bir noktada ~ olarak bilindiği farz edilir. kullanılarak öğretilmesi ağırlık dizisi ~ ’a bir başlangıç
111
Ocak.2013.101-115.
değerinin atanması ile başlar ve hatalarının karelerinin Girdi katmanı ile gizli katman arasında tanjant-
toplamı ’nin hesaplanmasıyla devam eder. Her sigmoid transfer fonksiyonu kullanıldığından geçmiş
terimi, hedef çıkış (y) ile gerçek çıkış (yd) arasındaki döneme ait gerçek satış rakamları, MATLAB’de var olan
farkın karesini ifade eder. Bütün veri seti için hata fonksiyonlar kullanılarak [-1,+1] aralığında yer alacak
terimlerinin tamamının elde edilmesiyle, ağırlık dizileri şekilde ölçeklendirilmiştir. Gizli katman ile çıktı katmanı
(i)’den (v)’e kadar olan LMM adımlarının arasında ise doğrusal transfer fonksiyonu kullanılmıştır.
uygulanmasıyla adapte edilir [11]. Tablo 4: Ele Alınan Ürünlere İlişkin Belirlenen En İyi Ağ
Topolojileri
IV.2.2. Geliştirilen YSA’nın Topolojisi
Ürün Adı En İyi Ağ Topolojisi
Uygulamada kullanılan YSA Çok Katmanlı İleri Girdi Katmanı Gizli Katman Çıktı Katmanı
Beslemeli bir yapay sinir ağıdır. Danışmanlı öğrenme Nöron Sayısı Nöron Sayısı Nöron Sayısı
yöntemlerinden Geri Yayılım Algoritmasını kullanan İleri PVC S 39 10 8 1
Beslemeli YSA’nın bu çalışmada tercih edilmesinin PVC S 65 10 6 1
nedeni, zaman serilerinin modellenmesi ve öngörümleme PTA 10 9 1
çalışmalarında en çok kullanılan yöntem olmsı ve hem
doğrusal hem de doğrusal olmayan yapıların Her bir ürünün test kümesi için ilgili YSA’nın
modellenmesinde gösterdiği öngörü başarısıdır. doğruluğunu tespit etmek amacıyla “Hata Karelerinin
Öngörümlemede kullanılacak bir YSA modelinin Ortalaması” (Mean Squared Error – MSE) performans
tasarımında aşağıdaki değişkenlerin belirlenmesi ölçütünü kullanan YSA’ların çalıştırılmasına ilişkin
gerekmektedir: rastgele seçilen örnek uygulamalar aşağıdaki tabloda ve
takip eden şekillerde gösterilmiştir.
1. Girdi nöron sayısı,
Tablo 5: Ele Alınan Ürünlere İlişkin Örnek Uygulama
2. Gizli katman ve gizli katman nöron sayısı,
Sonuçları
3. Çıktı nöron sayısı.
Ürün Adı Hata Kareleri Ortalaması
Bu değişkenlerin seçimi ilgilenilen probleme göre (MSE)
değişiklik göstermektedir. Optimal ağ topolojisinin PVC S 39 2,4268.106
belirlenmesinde önerilen bazı yöntemlerin olmasına PVC S 65 6,8424.106
rağmen, bu yöntemlerin hiçbrisi gerçek öngörümleme
PTA 1,0376.107
problemleri için en uygun çözümü garanti etmemektedir.
Bundan dolayı, bu parametrelerin belirlenmesinde kesin
ve açık yöntemler bulunmamaktadır, ancak sezgisel
yaklaşımlar ve kısıtlı deneylere dayalı benzetim çalışmları
yardımcı olabilmektedir.
Genellikle literatürde, girdi katmanında 10, 11 ve
12 nöron sayısı kullanılarak YSA’larının geliştirildiği
görülmektedir. Bu tez kapsamında geliştirilen ileri
beslemeli YSA’da ise 10 adet nörona sahip bir girdi
katmanının kullanılması benimsenmiştir.
112
Burçin ATASEVEN
ŷ t
: t dönemi için hesaplanan öngörü değeri
n : öngörülen dönem sayısı olmak üzere,
n
SSE (et ) 2
t 1
et y t yˆ t
V. SONUÇ VE ÖNERİLER
Bu çalışmada, öngörümleme teknikleri içerisinde
Şekil 13: YSA’nın PTA Ürünün Test Kümesine Ürettiği önemli bir yer tutan zaman serileri analizinde, geleceği
Değerler öngörümlemede kullanılan geleneksel öngörümleme
yöntemlerine alternatif olarak öne sürülen, Yapay Sinir
IV.3. Kullanılan Yöntemlerin Karşılaştırılması Ağları metoduna yer verilmiştir. Yapay sinir ağları,
özellikle son 20 yılda büyük gelişme gösteren bir çalışma
Öngörü modellerinin performanslarının
disiplinidir.
karşılaştırılması amacı ile çeşitli performans ölçütleri
kullanılmaktadır. Öngörünün perfomansının testi için, Öngörümleme yöntemleri, temel olarak nicel ve
öngörü değerleri ile mevcut olan gerçek değerler nitel yöntemler olmak üzere iki grupta ele alınmaktadır.
arasındaki farklar, yani öngörü hataları (kalıntılar- Genel olarak nicel yaklaşımların girdisi, çesitli zaman
residuals), bazı formüllerle modellerin öngörü aralıklarında toplanmış olan verilerdir. Verilerin iyi bir
performansını karşılaştırmaya yardımcı olabilecek şekilde sekilde analiz edilmesi, bu yöntemlerin temelini
standartlaştırılır. Modellerin öngörü performansının oluşturmaktadır. Son yıllarda geleneksel öngörümleme
ölçümünde kullanılan hesaplamalar; Hata Kareleri yöntemlerine alternatif olarak kullanılmaya başlanan
Ortalaması (Mean Squared Error – MSE), Ortalama Hata yöntemlerden birisi de Yapay Sinir Ağlarıdır. Bilim
Karelerinin Karakökü (Root Mean Squared Error – dünyası 1940’lı yıllarda Yapay Sinir Ağları ile tanışmıştır.
RMSE), Ortalama Mutlak Hata (Mean Absolute Error – Bu alanda yapılan ilk çalışmalar beyin hücrelerinin
MAE), Ortalama Yüzde Hata (Mean Percentage Error – işlevlerinin ve birbirleri ile haberleşme şekillerinin ortaya
MPE), Hata Kareleri Toplamı (Sum of Squared Errors – çıkarılmasını amaçlamaktaydı. O zamandan beri Yapay
SSE), Ortalama Mutlak Yüzde Hata (Mean Absolute Sinir Ağları gerek teorik gerekse pratik anlamda dikkate
Percentage Error – MAPE) ve Theil-U istatistiği olarak değer miktarda yol katetmiştir. Bugün birçok hücrenin
sıralanabilir. Çalışmada kullanılan yöntemlerin belli bir düzende bir araya getirilmesi ve uygun öğrenme
performanslarının karşılaştırılmasında Hata Kareleri algoritmalarının kullanılması ile sinir ağları
Toplamı (SSE) performans ölçüt kriteri kullanılmıştır. kurulabilmekte ve bu ağlar çok karmaşık görevleri
Hata kareleri toplamı performans ölçüt kriterinin başarıyla yerine getirebilmektedir. Ağ, kendisine sunulan
denklemi aşağıdaki gibi gösterilmektedir. veriler arasında bağlantılar kurarak problemi öğrenmekte,
113
Ocak.2013.101-115.
114
Burçin ATASEVEN
115