Günümüzde zaman serileri tahmini konusuna, özellikle disiplinler arası doğası nedeniyle artan bir ilgi gösterilmektedir. Zaman serileri, bilimin her alanında uygulamaları bulunan, genellikle istatistiğin bazen de ekonometrinin önemli bir uygulama alanıdır. Hemen hemen tüm bilimsel disiplinler, zaman içinde örneklenen verilerden oluşur, bu da tahminlerini son derece önemli ve karmaşık bir görev haline getirir.
![Zaman Serileri](https://asliasutay.com/wp-content/uploads/2023/01/Zaman-Serileri-500x333.png)
Zaman Serisi Nedir?
Bir zaman serisi, periyodik zaman aralıklarında yapılan ölçümlerin bir dizisidir. Bir fabrikadan ihraç edilen aylık malların miktarı, bir karayolunda meydana gelen haftalık ya da aylık kaza sayıları, bir göldeki saatlik ya da günlü su seviyesi yüksekliği, bir ülkenin yıllık ithalat ve ihracat miktarları ayrıca yıllık yatırım ve gayri safi milli hasıla gelirleri, yıllık işsizlik oranları ve bir şehirdeki aylık yağış miktarları zaman serilerine örnek olarak verilebilir. Her veri seti, zaman serisi değildir. Bir veri setinin zaman serisi olabilmesi için yapılan ölçüm değerlerinin zamana bağlı olarak değişmesi gerekir.
![](https://asliasutay.com/wp-content/uploads/2023/01/Bir-Zaman-Serisi-500x245.png)
Zaman Serisi Tahmini Nedir?
Zaman Serisi Tahmini, geçmiş gözlemlerin sonuçlarına dayalı olarak bir zaman serisinin gelecekteki değerlerini tahmin etmek için bir model kullanma sürecidir. Zaman serisi tahmini, geçmiş bir zaman serisi ile başlar. Analistler geçmiş verileri inceler ve kontrol eder. Pazarlama, finans ve satış dahil olmak üzere şirketlerdeki birçok alan, olası maliyetleri ya da tüketici talebini incelemek ve değerlendirmek için bir tür zaman serisi tahmini kullanırlar.
Zaman serileri: Zaman serisi tahmininin kullanıldığı bazı alanlar;
- Hava Durumu tahmini
- Deprem tahmini
- Astronomi
- İstatistik
- Matematiksel finans
- Ekonometri
- Desen tanıma
- Sinyal işleme
- Kontrol Mühendisliği
Zaman Serileri Bileşenleri ve Temel Kavramlar
Zaman Serilerinde Durağanlık
Zaman serilerinde durağanlık, zaman serisindeki istatistiksel özelliklerinin zaman içerisinde değişmemesidir. Bu durum, zaman serisindeki ortalama ve varyansın zaman içinde sabit kalması anlamına gelir. Durağanlık, zaman serilerinin analizi ve tahminleri için önemlidir çünkü durağan bir zaman serisi daha kolay modellenir ve öngörülebilir.
![](https://asliasutay.com/wp-content/uploads/2023/01/Duragan-olmayan-Duragan-olan-seriler-500x236.png)
Zaman Serilerinde Trend
Trend, bir zaman serisinin uzun sürede artacağını mı yoksa azalacağını mı gösterdiği yapıdır. Yani artan bir trend veya azalan bir trend vardır. Eğer seri durağan değilse trend var diyebiliriz.
![](https://asliasutay.com/wp-content/uploads/2023/01/Artan-Trend-500x266.png)
Zaman Serilerinde Mevsimsellik
Mevsimsellik bir süre boyunca tekrar eden bir desen olarak tanımlanır. Yani periyodik olarak tekrar eden bu örüntüye mevsimsellik denir. Aşağıdaki şekilde, mevcut mevsimsellik bileşenini açıkça görebiliriz.
![](https://asliasutay.com/wp-content/uploads/2023/01/Mevsimsellik-Gosteren-Grafik-500x188.png)
Kısaca mevsimsellik tekrar eden düzen barındırır. Daha belirgin kısa vadeli ve düzenli aralıklarla gün, hafta, mevsim, yıl gibi zamanlar ile bağdaşarak ilerler.
Zaman Serilerinde Döngüsellik
Döngüsellik, zaman serisi verilerinde yine bir kalıptır ancak periyodik olarak tekrar etmez, yani sabit aralıklarla tekrar etmez. Bu bileşen uzun vadeli, daha belirsiz, gün, hafta, yıl, mevsim gibi zamanlarla bağdaşmayarak gerçekleşir. Daha çok yapısal, nedensel, konjonktürel değişim ile ortaya çıktığını görürüz. İş ve politik dünyadaki değişimlerden kolaylıkla etkilenir.
Döngüsellik de bir çeşit mevsimselliktir. Mevsimsellik ve döngüsellik arasındaki farkı aşağıdaki grafikte görebiliriz.
![](https://asliasutay.com/wp-content/uploads/2023/01/Mevsimsellik-Dongusellik-500x208.png)
Yukarıdaki grafiklerde üst tarafta olan mevsimsel özellikler gösterir. Döngü periyodik olarak devam eder. Alt tarafta olan grafikte ise döngüsellik vardır. Periyodik olarak tekrar eden bir olay yoktur.
Zaman Serileri Kaynakça
- Rossell JL, Alomar ML, Morro A, Oliver A, Canals V. High density liquid-state machine circuitry for time-series forecasting. International Journal of Neural Systems. 2016; 26(5): 1-12.
- Torres, J. F., Galicia, A., Troncoso, A., & Martínez-Álvarez, F. (2018). A scalable approach based on deep learning for big data time series forecasting. Integrated Computer-Aided Engineering, 25(4), 335-348.
- https://www.veribilimiokulu.com/