Time Series (Zaman Serisi)

#ZamanSerisi #VeriMadenciligi #Tahmin #MachineLearning

Belirli aralıklarla toplanan kronolojik veri noktalarının sıralı dizisi; AI ile trend, mevsimsellik ve anomalileri analiz etmek için kullanılır.

Zaman serisi (time series), belirli aralıklarla ve kronolojik sırayla toplanan veri noktalarının dizisidir. Hava durumu ölçümleri, hisse senedi fiyatları, enerji tüketimi, hasta kalp ritmi ve web sitesi trafik verileri birer zaman serisi örneğidir. Veri noktaları arasındaki zaman aralığı dakika, saat, gün veya ay olabilir; önemli olan sıranın korunması ve her gözlemin bir zaman damgasıyla eşleştirilmesidir. Her zaman serisi dört temel yapısal bileşenden oluşur: uzun vadeli yönelimi gösteren trend; belirli periyotlarda tekrarlayan mevsimsellik (seasonality); ekonomik büyüme ve daralma döngüleri gibi daha uzun vadeli dalgalanmaları kapsayan döngüsellik (cyclicality); ve hiçbir kalıpla açıklanamayan rastgele sapmaları içeren gürültü. Başarılı bir analiz bu bileşenleri ayrıştırmakla başlar. Klasik istatistik yöntemleri arasında ARIMA (Autoregressive Integrated Moving Average), durağanlaştırılmış serilerde kısa vadeli tahmin için standart yaklaşımdır. Mevsimsel bileşen içeren serilerde SARIMA tercih edilir; Holt-Winters üstel düzleştirme yöntemi trend ve mevsimselliği ayrı parametrelerle modeller. Çok değişkenli durumlarda ise VAR (Vector Autoregression) birden fazla serinin karşılıklı etkileşimini hesaba katar. Derin öğrenme bu alanı köklü biçimde dönüştürmüştür. LSTM (Long Short-Term Memory) ve GRU (Gated Recurrent Unit) ağları kapı mekanizmaları aracılığıyla uzun dönem bağımlılıklarını öğrenebilmektedir. Transformer mimarisinin zaman serilerine uyarlanmasıyla TFT (Temporal Fusion Transformer) ve N-BEATS modelleri geliştirilmiştir. 2023 sonrasında TimesFM (Google), Chronos (Amazon) ve Lag-Llama gibi foundation modeller büyük ölçekli ön eğitimle sıfır-atış (zero-shot) tahmin kapasitesi kazanmıştır. Zaman serisi analizi finans, üretim, sağlık ve enerji gibi pek çok kritik sektörde kullanılmaktadır. Anormallik (anomali) tespiti, tahminlenen değerden sapan noktaları otomatik olarak işaretleyerek operasyonel riskleri erkenden ortaya koyar. Durağanlık (stationarity) varsayımı zaman serisi analizinin merkezinde yer alır: ortalama ve varyansın zaman içinde sabit kalması, çoğu klasik modelin ön koşuludur. Mevsimsel ayrıştırma ve differencing bu koşulu sağlamak için standart ön işleme adımları arasındadır.

Zaman Serisinin Dört Temel Bileşeni

Her zaman serisi dört yapısal bileşenden oluşur. Trend, verideki uzun vadeli artış veya azalış yönüdür; küresel internet kullanıcı sayısındaki artış buna örnektir. Mevsimsellik (seasonality), belirli periyotlarda tekrarlayan döngüsel örüntülerdir — tatil sezonunda yükselen e-ticaret satışları ya da kışın artan enerji tüketimi. Döngüsellik (cyclicality), ekonomik büyüme ve durgunluk döngüleri gibi mevsimsellikten bağımsız uzun vadeli dalgalanmalardır. Gürültü ise hiçbir kalıpla açıklanamayan rastgele sapmaları kapsar. Başarılı bir zaman serisi analizi bu dört bileşeni birbirinden ayırt etmeye dayanır.

Klasik İstatistik Yöntemleri

  • check_circle ARIMA: Autoregressive Integrated Moving Average; durağan hale getirilmiş serilerde kısa vadeli tahmin için standart yöntem.
  • check_circle SARIMA: Mevsimsel bileşen eklenmiş ARIMA; mevsimsel döngüleri modellemek için kullanılır.
  • check_circle Holt-Winters: Üstel düzleştirme yöntemi; trend ve mevsimselliği ayrı ayrı modelleyerek tahmin üretir.
  • check_circle VAR (Vector Autoregression): Birden fazla zaman serisinin birbirini etkilediği çok değişkenli durumlarda kullanılır.

Derin Öğrenme ile Zaman Serisi Tahmini

LSTM (Long Short-Term Memory) ve GRU (Gated Recurrent Unit) ağları, geleneksel RNN'lerin uzun dönem bağımlılıklarını öğrenememesi sorununu çözmek için tasarlanmıştır. Kapı mekanizmaları sayesinde yüzlerce zaman adımı öncesindeki örüntüleri hatırlayabilirler. Transformer mimarisinin zaman serilerine uyarlanmasıyla TFT (Temporal Fusion Transformer), N-BEATS, PatchTST ve N-HiTS gibi modeller geliştirilmiştir. Bu modeller özellikle çok değişkenli ve uzun ufuklu tahminlerde LSTM'yi geride bırakmaktadır. XGBoost ve LightGBM gibi gradyan artırma yöntemleri de zaman özelliklerinin (lag, rolling mean, Fourier bileşenleri) elle oluşturulduğu durumlarda güçlü sonuçlar vermektedir.

2026'nın Öne Çıkan Foundation Modelleri

  • check_circle Google TimesFM: Milyarlarca veri noktası üzerinde eğitilmiş; sıfır atışlı tahmin için güçlü temel performans sunar.
  • check_circle Amazon Chronos-2: AWS entegrasyonu güçlü, üretim ortamlarında geniş benimseme; olasılıksal tahmin desteği.
  • check_circle Salesforce Moirai-2: Çok değişkenli ve esnek mimari desteğiyle kurumsal kullanım için tasarlanmış.
  • check_circle Time-MoE: Mixture-of-Experts yaklaşımıyla milyar parametre ölçeğinde zaman serisi foundation modeli.

Uygulama Alanları

  • check_circle Finans: Hisse senedi fiyat tahmini, döviz kuru analizi, portföy risk yönetimi.
  • check_circle Enerji: Elektrik tüketimi tahmini, yenilenebilir enerji üretim planlaması, talep yönetimi.
  • check_circle Sağlık: EKG analizi, hasta vital bulguları takibi, hastalık salgın tahmini.
  • check_circle Endüstri ve IoT: Makine arıza tahmini (predictive maintenance), üretim kalite kontrolü, sensör verisi analizi.
  • check_circle Perakende: Talep tahmini, stok optimizasyonu, mevsimsel kampanya planlaması.

Sık Sorulan Sorular

  • check_circle Zaman serisi analizi için hangi yöntemi seçmeliyim?: Az veri ve yorumlanabilirlik gerektiren durumlarda ARIMA; büyük veri ve karmaşık örüntüler için LSTM veya Transformer tabanlı modeller; hiç eğitim verisi yoksa foundation modeller (TimesFM, Chronos-2) tercih edilir.
  • check_circle Zaman serisi ile panel verisi arasındaki fark nedir?: Zaman serisi tek bir varlığı zaman boyunca takip eder; panel verisi ise birden fazla varlığı (örn. 100 şirket) aynı anda izler. Zaman serisinin genişletilmiş hali panel verisidir.
  • check_circle Foundation modeller ARIMA'yı geçersiz kıldı mı?: Hayır. ARIMA ve istatistik yöntemler az veriyle, yorumlanabilirlikle ve hızlı prototiplemeyle hâlâ değerlidir. Foundation modeller ise sıfır atışlı veya veri yetersizliği senaryolarında avantaj sağlar.
  • check_circle Zaman serisinde eksik veri nasıl ele alınır?: Forward fill, interpolasyon veya model tabanlı imputation (MICE, KNN) yöntemleri kullanılır. Uzun boşluklarda segmantasyon yapılarak her segment ayrı analiz edilir.
  • check_circle Seasonality ile trend arasındaki fark nedir?: Trend, belirli bir yön boyunca uzun vadeli kalıcı değişimdir. Mevsimsellik ise sabit dönemlerde tekrarlayan kısa vadeli döngülerdir (haftalık, aylık, yıllık). İkisi aynı anda bulunabilir.