Zaman serilerinde yapay sinir ağları ve bulanık mantığa dayalı tahmin ve bir uygulama
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Klasik mantıkta kullanılan kesin hatlarla birbirinden ayrılmış aralıklar yerine, tanımlanan fonksiyonlarla birbirine geçmiş çok sayıda aralıkları kullanan bulanık mantık ve biyolojik sinir sisteminin matematiksel bir modeli olarak da tanımlanabilecek olan yapay sinir ağları, biyolojik insan gibi karar verebilen ve muhakeme yeteneği olan zeki sistemler elde etmeyi amaçlayan yapay zeka teknikleridir. Bu iki tekniğin faydalarını bir araya getirmek için birlikte kullanıldığı hibrid sistemlerle, sinir ağları ile bulanık mantığa öğrenme yeteneği kazandırılabilmekte, sinir ağları ile sunulan bilgideki anlaşılma zorluğu da bulanık mantığın kuralları ile ortadan kaldırılabilmektedir.Gözlemleri belirsizlik içeren veya bir zaman birimi içinde birden fazla değere sahip olan zaman serilerinin çözümlenmesinde bulanık zaman serileri yöntemleri tercih edilebilir. Temelde bulanıklaştırma, bulanık ilişkilerin bulunması ve durulaştırma olmak üzere üç aşamadan oluşan bu yöntemlerde, her bir aşama için sezgisel metotlar, matematiksel hesaplamalar, yapay zeka teknikleri, yapay zeka optimizasyon yöntemleri ve istatistiksel yöntemler kullanılmaktadır.Bu çalışmada, çok değişkenli bulanık zaman serileri analizinde bulanık ilişkilerin belirlenmesinde yapay sinir ağları ve üyelik fonksiyonları kullanılarak, ağın öğrenme yeteneği ile bir tahmin yöntemi oluşturulmuştur. Metot, çok değişkenli bulanık zaman serilerinde klasik zaman serileri ve yapay sinir ağları yöntemlerini bir araya getirerek hibrit bir yöntem sunmaktadır. Önerilen yöntem, Türkiye' de meydana gelen trafik kazaları veri seti ile uygulanarak farklı modeller için sonuçlar karşılaştırmalı olarak hesaplanmış ve değişkenlerle ilgili tahminler yapılmıştır. Yapay sinir ağları ile desteklenmiş bulanık zaman serileri yöntemi ile çok değişkenle az sayıda veride dahi daha iyi sonuçlar elde edildiği görülmüştür.Anahtar Kelimeler: Bulanık zaman serileri, bulanık mantık, yapay sinir ağı, zaman serileri, tahmin. Fuzzy logic which uses many intervals intertwined with defined functions instead of the intervals left each other by exact lines in classical logic and also, artificial neural networks which can be defined as mathematical model of biological neural system, are artificial intelligent methods aimed to obtain the intelligent systems which have the abilities to decide and reason like human. Learning ability is brougth to fuzzy logic for neural networks and by the hybrid systems which are occured by these two methods to gather their advantages. The difficulty to grip the data presented by neural networks can be removed by the rules of fuzzy logic.The methods of fuzzy time series can be preferred to analyse time series whose surveys containing uncertainties or which have values more than one in one time unit. Intuistic methods, mathematical computations, artificial intelligent techniques, artificial intelligent optimization methods and statistical methods are used for each level in these methods which are essentially comprised of fuzzification, establishing fuzzy relations and defuzzification.In this study, artificial neural networks and membership functions are used to determine fuzzy relations in multivariate fuzzy time series analysis, therefore an estimate method is formed by learning ability of the network. The method have been formed by a hybrid one which is formed by classical time series and artificial neural networks in multivariate fuzzy time series. This method has been applied to data set of traffic accidents occured in Turkey, then the results obtained about that subject by the method have been compared with the results get by various models and also some estimates have been made on variables. Finally, it has been seen that the better results have been obtained by limited number of data with multivariate by means of the method of fuzzy time series supported by artificial neural networks.Keywords: Fuzzy time series, fuzzy logic, artificial neural network, time series, forecasting.
Collections