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 (hisse fiyatları, hava sıcaklığı, satış rakamları, IoT sensör verileri vb.) inceleyerek trend, mevsimsellik ve döngüsel kalıpları ortaya çıkaran veri bilimi tekniğidir. Klasik istatistiksel yaklaşımlar olan ARIMA ve üstel düzleştirmeden (exponential smoothing), LSTM ağları ve Transformer tabanlı PatchTST, Temporal Fusion Transformer gibi derin öğrenme modellerine kadar geniş bir yöntem yelpazesini kapsar. Veriyi işlemeden önce durağanlık (stationarity) sağlamak için fark alma (differencing) işlemi uygulanır; Augmented Dickey-Fuller (ADF) testiyle durağanlık doğrulanır. Tahmin doğruluğu MAE, RMSE ve MAPE metrikleriyle ölçülür. Fintech, enerji yönetimi, tedarik zinciri, sağlık ve endüstriyel IoT alanlarında vazgeçilmez bir analiz yöntemidir.

Temel Bileşenler

Her zaman serisi dört bileşene ayrıştırılabilir: **Trend** — uzun vadeli yükseliş veya düşüş eğilimi. **Mevsimsellik (Seasonality)** — belirli dönemlerde tekrarlayan kalıplar (yıllık, haftalık). **Döngüsellik (Cyclic)** — mevsimsellikten farklı, ekonomik konjonktür gibi düzensiz aralıklı dalgalanmalar. **Gürültü (Noise)** — açıklanamayan rastgele dalgalanmalar. Bu bileşenleri ayrıştırmak (decomposition) doğru model seçimi için kritiktir.

Klasik İstatistiksel Yöntemler

**ARIMA** (Auto-Regressive Integrated Moving Average): Durağan hale getirilmiş serilerde otoregresif ve hareketli ortalama terimlerini birleştirir; mevsimsel varyantı SARIMA'dır. **Exponential Smoothing (ETS)**: Yakın geçmişe daha yüksek ağırlık vererek tahmin üretir; Holt-Winters yöntemi mevsimselliği de modeller. **Prophet** (Meta): Tatil ve mevsimsellik etkilerini otomatik yakalayan, iş verisi odaklı açık kaynaklı araç.

Derin Öğrenme Yaklaşımları

**LSTM** (Long Short-Term Memory): Kapı mekanizmasıyla uzun vadeli bağımlılıkları öğrenen RNN mimarisi; finansal tahmin ve anomali tespitinde yaygın. **Temporal Fusion Transformer (TFT)**: Multi-head attention ve değişken seçimi ile yorumlanabilir çok adımlı tahmin üretir. **PatchTST** (2023): Zaman serisini eşit parçalara bölerek Transformer'ı uygular; uzun periyot tahminlerinde SOTA performansı. **TimesNet, iTransformer**: 2024'te yayınlanan, frekans alanı ve tersine çevrilmiş dikkat mekanizmalarıyla güçlendirilmiş yeni nesil modeller.

Uygulama Alanları

Borsa ve kripto fiyat tahmini, elektrik tüketim öngörüsü, talep planlaması (tedarik zinciri), hava durumu tahmini, hasta izleme (EKG, nabız), endüstriyel ekipman arıza tahmini (predictive maintenance), web trafik ve e-ticaret satış analizi zaman serisi analizinin başlıca kullanım alanlarıdır.

Performans Metrikleri ve Araçlar

Tahmin doğruluğu **MAE** (Mean Absolute Error), **RMSE** (Root Mean Squared Error) ve **MAPE** (Mean Absolute Percentage Error) ile ölçülür. Durağanlık **ADF testi** ile doğrulanır. Python ekosistemine dahil araçlar: **pandas** (veri manipülasyon), **statsmodels** (ARIMA, ETS), **scikit-learn** (özelliklere dayalı modeller), **sktime** (birleşik zaman serisi API'si), **Darts** (PyTorch/sklearn tabanlı tahmin kütüphanesi).

Foundation Model Dönemi

2024 itibarıyla **TimesFM** (Google), **Chronos** (Amazon) ve **Moirai** (Salesforce) gibi evrensel zaman serisi temel modelleri yayınlandı. Bu modeller, sıfır-shot tahmin (zero-shot forecasting) yapabilmekte; özel veri seti üzerinde fine-tune etmeden farklı domainlerdeki serilere genelleyebilmektedir. NLP'deki GPT modellerine benzer biçimde zaman serisi için tek bir büyük model paradigmasını temsil eder.