Modelling and forecasting time series data using ATA method

Abstract

Özellikle geleceğe ilişkin tahminlerde bulunmak ve iyi tahminler yapmak her zaman kolay değildir. Bununla birlikte, daha iyi tahminler tüm bilimlerin temelini oluşturur, dolayısıyla doğru, dayanıklı ve güvenilir tahmin yöntemlerinin geliştirilmesi çok önemlidir. Literatürde çok sayıda tahminleme yöntemi önerilmiş ve çalışılmıştır. Literatürde hala Box-Jenkins ARIMA ve Üssel Düzleştirme (ÜD) Yöntemi olmak üzere iki temel yöntem bulunmaktadır ve diğer tahminleme yöntemleri de bu iki temel yöntemden türetilen ya da onlardan ilham alan yöntemlerdir. 50 yıldan uzun süren yaygın kullanımdan sonra üssel düzleştirme, özellikle ünlü tahminleme yarışmalarında (M-competition) otomatik tahmin prosedürleri gibi basitlik, dayanıklılık ve doğruluklarından dolayı mevcut en prestijli tahmin yöntemlerinden biridir. Bu yarışmalardaki iyi bilinen gerçek, ÜD'nin daha karmaşık ARIMA modellerine karşı kanıtlanmış bir başarısı olduğudur. ÜD modellerinin başarısı ve yaygın kullanımı birçok alanda olmasına rağmen, tahminlerin doğruluğunu olumsuz yönde etkileyen bazı eksikliklere sahiptir. Bu nedenle, bu eksikliklerin üstesinden gelmek için bu tezde yeni bir tahmin metodu önerilecektir ve buna ATA metodu denilecektir. Bu yeni yöntem, düzleştirme parametrelerini değiştirerek geleneksel ÜD modellerinden elde edilir, bu nedenle her iki yöntem de aynı yapısal formlara sahiptir ve ATA her ÜD modeline kolayca uygulanabilir. Her iki yöntem de, tahmin tekniklerinin performansını değerlendirmek için yaygın olarak kullanılan popüler metriklerde karşılaştırılacaktır. ATA modellerinin doğruluk, basitlik, hız ve yorumlanabilirlik bakımından daha iyi bir performansa sahip oldukları gösterilecektir.ATA yönteminin performansı, ünlü M3-Yarışması veri setindeki farklı performans kriterlerine göre yalnızca ÜD değil, aynı zamanda diğer en başarılı rakiplerle karşılaştırılacaktır çünkü bu veri seti en yeni ve kapsamlı zaman serisi veri koleksiyonudur.

It is difficult to make predictions especially about the future and making good predictions is not always easy. However, better predictions remain the foundation of all science therefore the development of accurate, robust and reliable forecasting methods is very important. Numerous number of forecasting methods have been proposed and studied in the literature. There are still two dominant major forecasting methods: Box-Jenkins ARIMA and Exponential Smoothing (ES), methods are derived or inspired from them.After more than 50 years of widespread use, exponential smoothing is still one of the most practically relevant forecasting methods available due to their simplicity, robustness and accuracy as automatic forecasting procedures especially in the famous M-Competitions. The well-known fact in these competitions is ES has a proven success against more complex ARIMA models. Despite its success and widespread use in many areas, ES models have some shortcomings that negatively affect the accuracy of forecasts. Therefore, a new forecasting method in this thesis will be proposed to cope with these shortcomings and it will be called ATA method. This new method is obtained from traditional ES models by modifying the smoothing parameters therefore both methods have same structural forms and ATA can be easily adapted to all of the individual ES models. The two methods will be compared on popular metrics that are commonly used for evaluating performance of forecasting techniques. It will be shown that ATA models have better performance in terms of accuracy, simplicity, speed and interpretability.The performance of ATA method will be compared not only to ES but also to other most successful competitors according to different performance criterions on the famous M3-Competition data set since it is still the most recent and comprehensive time-series data collection available.