Zaman Serisi Analizi

#zaman-serisi #tahmin #arima #lstm #mevsimsellik #veri-bilimi

Kronolojik sırayla kaydedilen veri noktalarını analiz ederek trend, mevsimsellik ve döngüsel kalıpları tespit eden ve gelecek tahminleri yapan veri bilimi tekniği.

Zaman serisi analizi, belirli zaman aralıklarıyla kaydedilen ardışık veri noktalarını inceleyerek trend, mevsimsellik ve döngüsel kalıpları ortaya çıkaran bir veri bilimi tekniğidir. Hisse fiyatları, hava sıcaklığı, satış rakamları ve IoT sensör verileri bu analizin klasik uygulama alanlarıdır. Bir zaman serisi dört temel bileşene ayrıştırılır: uzun vadeli yönelimi gösteren trend, belirli dönemlerde tekrarlayan mevsimsellik (seasonality), ekonomik konjonktür gibi daha uzun dönemlerde tekrarlayan döngüsellik ve rastlantısal gürültü. Bu bileşenleri ayrıştırmak modellemenin temelidir. İstatistiksel yöntemler açısından ARIMA (AutoRegressive Integrated Moving Average) ve mevsimsel uzantısı SARIMA, durağan (stationary) seriler için standart başlangıç noktasıdır. Durağanlık sağlamak amacıyla fark alma (differencing) uygulanır; Augmented Dickey-Fuller testi durağanlığı doğrular. Üstel düzleştirme (Holt-Winters) mevsimsel verilerde pratik bir alternatiftir. Derin öğrenme mimarileri 2010'ların ortasından itibaren zaman serisi tahmininde hâkim konuma geldi. LSTM (Long Short-Term Memory) ve GRU, kapı mekanizmaları aracılığıyla uzun vadeli bağımlılıkları öğrenir. 2023 itibarıyla Transformer tabanlı modeller öne çıktı: PatchTST giriş serisini sabit uzunluklu yamalara (patch) bölerek dikkat mekanizmasını daha verimli uygular; Temporal Fusion Transformer ise statik kovaryatlar, gözlemlenen girdiler ve bilinen gelecek değişkenleri birleştirerek yorumlanabilir tahminler üretir. 2024'te foundation model yaklaşımı zaman serisi alanına taşındı. Google'ın TimesFM'i ve Amazon'un Chronos'u, sıfır-shot (zero-shot) tahmin yapabilen genel amaçlı modellerdir; görev başına ince ayar gerektirmeden çeşitli alanlarda rekabetçi doğruluk elde eder. Meta'nın Prophet aracı ise tatil efektlerini ve çoklu mevsimselliği otomatik modelleyen, uygulayıcı dostu bir açık kaynak kütüphanesidir. Tahmin kalitesi MAE (Ortalama Mutlak Hata), RMSE (Karekök Ortalama Kare Hata) ve MAPE (Ortalama Mutlak Yüzde Hata) metrikleriyle değerlendirilir. Zaman serisi analizi; fintech, enerji yönetimi, tedarik zinciri optimizasyonu, sağlık ve endüstriyel IoT gibi alanlarda kritik bir analitik araçtır.

Zaman Serisi Analizi Nedir?

Zaman serisi analizi, belirli zaman aralıklarıyla kaydedilen ardışık veri noktalarını inceleyerek trend, mevsimsellik ve döngüsel kalıpları ortaya çıkaran veri bilimi tekniğidir. Hisse fiyatları, enerji tüketimi, satış rakamları ve IoT sensör verileri bu analizin temel uygulama alanlarıdır. Bir zaman serisi dört bileşene ayrıştırılır: uzun vadeli yönelimi gösteren trend, belirli dönemlerde tekrarlayan mevsimsellik, ekonomik konjonktür gibi daha geniş dönemlerde tekrarlayan döngüsellik ve rastlantısal gürültü. Veriyi modellemeden önce durağanlık (stationarity) sağlamak için fark alma (differencing) uygulanır; Augmented Dickey-Fuller (ADF) testiyle durağanlık doğrulanır.

Klasik İstatistiksel Yöntemler

ARIMA (AutoRegressive Integrated Moving Average) ve mevsimsel uzantısı SARIMA, zaman serisi tahmininde onlarca yıldır kullanılan temel istatistiksel araçlardır. Model seçimi için otokorelasyon (ACF) ve kısmi otokorelasyon (PACF) grafikleri incelenir. Holt-Winters üstel düzleştirmesi, mevsimsel veriler için pratik bir alternatif olarak öne çıkar. Bu yöntemler yorumlanabilirlik avantajı taşır ve küçük veri kümelerinde derin öğrenme modellerini geride bırakabilir. Prophet (Meta), bu klasik yaklaşımın tatil efektleri ve çoklu mevsimselliği otomatik modelleyen, uygulayıcı dostu açık kaynak versiyonudur.

Derin Öğrenme Mimarileri

🔄 LSTM / GRU

Kapı mekanizmaları (unutma, giriş, çıkış kapıları) ile uzun vadeli bağımlılıkları öğrenen RNN mimarileridir. Vanishing gradient sorununu çözer. Çok adımlı (multi-step) tahminlerde encoder-decoder yapısıyla kullanılır.

📦 PatchTST (2023)

Giriş serisini sabit uzunluklu yamalara (patch) böler ve her yamayı bir token olarak Transformer dikkat mekanizmasına verir. Uzun geçmişi verimli işler; etiketli veri gerektirmeyen ön eğitim desteği sunar.

🎯 Temporal Fusion Transformer

Statik kovaryatlar, gözlemlenen geçmiş değişkenler ve bilinen gelecek değişkenleri birleştiren çok girişli mimaridir. Değişken önem skorları ve dikkat ağırlıkları sayesinde yorumlanabilir tahmin üretir.

🌐 Foundation Modeller (2024)

TimesFM (Google) ve Chronos (Amazon), büyük ve çeşitli veri kümeleriyle önceden eğitilen genel amaçlı modellerdir. Sıfır-shot (zero-shot) tahmin yaparak görev başına ince ayar gerektirmeden rekabetçi doğruluk elde eder.

Değerlendirme Metrikleri ve Uygulama Alanları

Tahmin doğruluğu üç temel metrikle ölçülür: MAE (Ortalama Mutlak Hata) — yorumlanması kolay mutlak hata; RMSE (Karekök Ortalama Kare Hata) — büyük hataları daha fazla cezalandıran kare hata; MAPE (Ortalama Mutlak Yüzde Hata) — birimsiz, farklı ölçekler arasında karşılaştırma sağlar. Zaman serisi analizi; fintech'te borsa tahminleri ve risk modellemesi, enerji sektöründe talep tahmini ve şebeke optimizasyonu, tedarik zincirinde talep planlaması, sağlıkta hasta izleme ve hastalık takibi ile endüstriyel IoT'de anomali tespiti alanlarında kritik öneme sahiptir.

Anomali Tespiti ve Çok Değişkenli Analiz

Zaman serisi analizi yalnızca tahminle sınırlı değildir; anomali tespiti (anomaly detection) de kritik bir uygulama alanıdır. İzolasyon ormanı (Isolation Forest), LSTM otoenkoderleri ve Prophet artıkları (residuals) anomali puanı üretmek için kullanılır. Çok değişkenli zaman serisinde (multivariate) birden fazla değişken arasındaki nedensellik (Granger causality) ve çapraz korelasyon incelenir. VAR (Vector AutoRegression) modeli çok değişkenli istatistiksel tahminin temelidir. Grafik sinir ağları (GNN) ise sensörler arası uzamsal bağımlılıkları modellemek için endüstriyel uygulamalarda giderek daha fazla tercih edilmektedir.

Sık Sorulan Sorular

  • check_circle ARIMA mı yoksa LSTM mı kullanmalıyım?: Küçük veri kümelerinde, yorumlanabilirlik gerektiğinde veya hızlı prototipleme için ARIMA tercih edilir. Büyük veri kümelerinde, karmaşık doğrusal olmayan kalıplarda veya çok değişkenli tahminlerde LSTM ve Transformer tabanlı modeller daha iyi sonuç verir.
  • check_circle Durağanlık neden önemlidir?: ARIMA gibi klasik modeller durağan seriler varsayar. Ortalama ve varyansı zamana bağlı değişmeyen durağan bir seri, modellemenin güvenilirliğini artırır. Fark alma (differencing) ve logaritmik dönüşüm durağanlık sağlamak için yaygın önişleme adımlarıdır.
  • check_circle Prophet hangi durumlarda avantajlıdır?: Prophet, tatil efektleri içeren ve birden fazla mevsimsel kalıp barındıran iş verilerinde (satış, trafik) pratik bir seçimdir. Hiperparametre ayarı gerektirmeden makul tahminler üretir; Bayesian yapısı belirsizlik aralıkları sağlar.
  • check_circle Sıfır-shot zaman serisi tahmini ne anlama gelir?: TimesFM ve Chronos gibi foundation modeller, çok sayıda farklı domain verisiyle önceden eğitilir. Yeni bir veri kümesinde fine-tuning (ince ayar) yapmadan doğrudan tahmin üretebilirler. Bu yaklaşım, etiketli tarihsel verinin az olduğu durumlarda büyük avantaj sağlar.
  • check_circle Çok adımlı tahminde hangi strateji kullanılmalıdır?: Recursive (özyinelemeli) strateji — her adımı bağımsız tahmin edip bir sonraki adım için girdi olarak kullanır; hata birikimesi riski taşır. Direct (doğrudan) strateji — her ufuk adımı için ayrı model eğitir; hesaplama maliyeti yüksektir. Sequence-to-sequence modeller ise tüm ufku tek seferde tahmin ederek ikisinin avantajlarını birleştirir.