Anlatı derlemesi incelemesi
DOI: 10.1007/s13042-025-02560-wZaman Serisi Tahmini İçin Derin Öğrenme: Model Mimarisi Paradigmaları, Özellik Çıkarımı ve Gelecek Yönelimleri Üzerine Kapsamlı Bir İnceleme
Zaman serisi tahmini (ZST), enerji tüketimi, sağlık hizmetleri, şehir içi trafik akışı, meteorolojik değişimler ve finansal piyasalar gibi birçok kritik sektörde karar verme süreçlerinin temelini oluşturmaktadır. Geleneksel istatistiksel modeller (ARIMA, Üstel Düzeltme vb.
Makalenin anahtar kelimeleri
- Yazar
- Xiangjie Kong et al.
- Yayın
- International Journal of Machine Learning and Cybernetics
- Tarih
- 2025-02-08
Makalenin Kapsamı ve Akademik İçeriği
Zaman serisi tahmini, enerji sistemlerinden sağlık yönetimine, kentsel ulaşımdan finansal piyasalara kadar geniş bir uygulama alanında stratejik kararların alınmasında kritik bir rol oynamaktadır. Tarihsel verilerdeki zamansal bağımlılıkları ve kalıpları modellemeyi amaçlayan geleneksel istatistiksel yaklaşımlar, verilerin doğrusal yapıda olduğu ve belirli olasılık dağılımlarına uyduğu kabullerine dayanmaktadır. Ancak gerçek dünyadaki zaman serilerinin taşıdığı yüksek boyutluluk, gürültü, dinamik yapı ve doğrusal olmayan karmaşık ilişkiler, klasik yöntemlerin doğruluk kapasitesini sınırlamaktadır. Derin öğrenme tekniklerinin gelişimiyle birlikte, alana özgü uzmanlık bilgisine veya elle özellik mühendisliğine ihtiyaç duymaksızın veriden otomatik temsil öğrenebilen sınır ağı modelleri öne çıkmıştır. Buna rağmen literatürde, mevcut derin zaman serisi tahmin modellerini mimari yaklaşımlarına göre dinamik bir şekilde sınıflandıran ve özellik çıkarım süreçlerini bütüncül olarak ele alan kapsayıcı bir taksonomiye ihtiyaç duyulmaktadır.
Yapılan bu kapsamlı literatür taramasında, derin zaman serisi tahmini alanındaki çalışmalar sistematik bir yaklaşımla incelenerek modeller mimari yapılarına göre beş temel paradigmaya ayrılmıştır. Bu paradigmalar; kodlayıcı-kod çözücü mimarileri, Transformer tabanlı modeller, üretici çekişmeli ağlar (GAN), entegre (integrated) modeller ve ardışık (cascade) yapılardır. Çalışmada ayrıca karmaşık zaman serisi verilerinin yapısal bileşenleri doğrultusunda kullanılan özellik geliştirme ve çıkarma metodolojileri ayrıntılı biçimde analiz edilmiştir. Bu kapsamda boyut ayrıştırma (dimension decomposition), zaman-frekans dönüşümü (time-frequency conversion), kendi kendine denetimli ön eğitim (pre-training) ve parça tabanlı bölütleme (patch-based segmentation) teknikleri kuramsal ve uygulamalı boyutlarıyla açıklanmıştır. Ek olarak, enerji, ulaşım, ekonomi, meteoroloji ve sağlık olmak üzere beş ana alanda yaygın olarak kullanılan standart zaman serisi veri setleri detaylı parametreleriyle derlenmiştir.
Elde edilen bulgular ve sentezlenen literatür sonuçları, Transformer mimarilerinin öz-dikkat mekanizmaları sayesinde uzun vadeli bağımlılıkları yakalamada yüksek performans gösterdiğini, ancak karesel karmaşıklık ve zamansal süreklilik eksikliği gibi zorluklarla karşılaştığını ortaya koymaktadır. Frekans alanında yapılan dönüştürmelerin (Fourier ve dalgacık analizleri) verideki gürültüyü azaltmada ve sezonsal kalıpları belirlemede kritik bir avantaj sağladığı görülmektedir. Benzer şekilde, parça tabanlı bölütleme yaklaşımlarının zamansal yerelliği koruyarak hesaplama yükünü belirgin şekilde düşürdüğü saptanmıştır. Araştırmada ayrıca, üretici modellerin (özellikle difüzyon modelleri ve GAN'lar) sentetik veri üretimi ve belirsizlik tahmini süreçlerinde geleneksel regresyon modellerine kıyasla daha esnek olasılıksal çıktılar üretebildiği vurgulanmaktadır.
Tartışma ve sonuç bölümünde, derin zaman serisi tahmini alanında mevcut modellerin sadece tahmin başarısına odaklandığı, ancak kararların güvenilirliği açısından hayati önem taşıyan model yorumlanabilirliği, paralelleştirme zorlukları ve mahremiyet koruma gibi konuların eksik kaldığı tespit edilmiştir. İnceleme, gelecekteki araştırmaların nedensel çıkarım (causal inference), karşıt olgusal tahmin, zamansal sınır diferansiyel denklemleri (NODE), zaman serisi büyük dil modelleri ve çok katmanlı ağ bilimi ile disiplinlerarası entegrasyona yönelmesi gerektiğini göstermektedir. Bu çalışma, Türk araştırmacılar için zaman serisi alanındaki derin öğrenme mimarilerinin güçlü ve zayıf yönlerini karşılaştırma, doğru veri seti ve özellik çıkarım metodunu seçme ve özgün tez/makale konuları kurgulama hususunda kapsamlı bir rehber niteliği taşımaktadır.
Araştırmanın amacı
Bu derleme çalışmasının amacı, derin öğrenme tabanlı zaman serisi tahmin modellerini mimari yapıları bakımından dinamik ve sistematik bir taksonomi altında sınıflandırmak, zaman serilerinin bileşenlerine odaklanarak boyut indirgeme, zaman-frekans dönüşümü, ön eğitim ve parça tabanlı bölütleme gibi özellik çıkarım metodolojilerini açıklamak, temel alanlardaki veri setlerini derlemek ve alandaki temel zorluklar ile geleceğe yönelik araştırma yönelimlerini sistematik olarak ortaya koymaktır(Kong et al., 2025).
İnceleme ve modelleme yöntemi
Bu derleme çalışması, derin öğrenme tabanlı zaman serisi tahmin (DTSF) literatürünü model mimarisi paradigmaları, veri özelliği zenginleştirme metotları, ana alan veri setleri ve geleceğe dönük araştırma zorlukları ekseninde dinamik ve sistematik bir taksonomi altında sentezleyen bir literatür incelemesidir(Kong et al., 2025).
Kuramsal ve kavramsal çerçeve
Çalışma, derin sınır ağlarının karmaşık zamansal dizilerden otomatik özellik çıkarma ve temsil öğrenme yeteneklerine dayanmaktadır. İstatistiki zaman serisi analizi kuramı ile kodlayıcı-kod çözücü (encoder-decoder), Transformer, üretici çekişmeli ağlar (GAN), entegre modeller ve ardışık (cascade) mimariler gibi derin öğrenme mimari paradigmaları kuramsal çerçeveyi oluşturmaktadır.
Makalenin ele aldığı literatür
Çalışma, klasik istatistiksel zaman serisi yöntemlerinden (Box-Jenkins ARIMA modelleri, Holt-Winters üstel düzeltme) başlayarak diziden diziye öğrenme (seq2seq, LSTM, GRU), zamansal evrişimli ağlar (TCN), dikkat mekanizmaları, Transformer türevleri (Autoformer, FEDformer, ETSformer), üretici çekişmeli ağlar (TimeGAN, RCGAN), zamansal diferansiyel denklemler (NODE, EgPDE-Net) ve son dönem zaman serisi büyük dil modellerini (TimeGPT-1, PromptCast) kapsayan geniş bir literatürü sentezlemektedir.
Araştırmanın Bulguları
Zamansal Evrişimsel Ağlar (TCN), geleneksel yinelemeli modellere kıyasla genişletilmiş evrişim katmanları sayesinde parametre sayısını artırmadan alıcı alanını büyüterek uzun erimli bağımlılıkları daha etkin şekilde yakalamaktadır(Kong et al., 2025).
Zaman serisi verilerini frekans alanına dönüştürmek ve bu alanda filtreleme işlemleri uygulamak, veri içerisindeki gürültü etkisini önemli ölçüde azaltmakta ve modellerin aşırı öğrenme sorununu önlemektedir(Kong et al., 2025).
Eğitim sonrası (post-hoc) yorumlanabilir modeller, orijinal model ağırlıklarını değiştirmeden eğitilmiş yapay sınır ağlarının karar mekanizmalarını ve kritik özelliklerini açıklamak amacıyla surrogate veya gradyan tabanlı yaklaşımlar sunmaktadır(Kong et al., 2025).
Derin zaman serisi tahmini araştırmalarında ağ bilimi ve çok katmanlı karmaşık ağ teorileri gibi disiplinlerarası yaklaşımların entegrasyonu, sistemin yorumlanabilirliğini ve yüksek boyutlu korelasyon analiz yeteneğini geliştirmektedir(Kong et al., 2025).
Bulguların Tartışılması ve Araştırmanın Sonucu
Bulguların Yazarlar Tarafından Yorumlanışı
İnceleme sonuçları, derin öğrenme modellerinin mimari yapılarına göre beş ana paradigmada (Encoder-Decoder, Transformer, GAN, Entegre ve Kaskad) toplandığını ve özellikle zaman-frekans dönüşümü ile parça tabanlı bölütleme tekniklerinin özellik çıkarımındaki kritik rolünü açıkça göstermektedir.
Yazarlar bu bulguları, klasik istatistiksel metotların doğrusal varsayımları ve karmaşık zamansal gürültüleri yönetmedeki yetersizlikleri çerçevesinde açıklamakta; derin sınır ağlarının otonom özellik öğrenme yeteneğinin yüksek boyutlu verilerdeki uzun erimli bağımlılıkları yakalamada temel unsur olduğunu belirtmektedir.
Tartışma bölümünde mevcut literatürle kurulan bağ doğrultusunda, TCN ve Transformer modellerinin geleneksel RNN dizilimlerine kıyasla sağladığı performans avantajları doğrulanırken; NODE ve ETN-ODE gibi güncel çalışmalarla zaman sürekliliğinin ve açıklanabilir yapay zekanın literatürdeki en dinamik araştırma cepheleri olduğu vurgulanmaktadır.
Sonuç olarak, DTSF alanının pratik başarılarına rağmen büyük modellerin GPU bağımlılığı, veri gizliliği ve kararların yorumlanabilirliği konularında ciddi darboğazları bulunduğu, gelecekte difüzyon modelleri, nedensel çıkarım ve disiplinlerarası ağ bilimi yaklaşımlarının sektörel uygulamalarda belirleyici olacağı anlaşılmaktadır.
Bulguların Önceki Araştırmalarla Karşılaştırılması
İncelenen çalışmada, Bai ve arkadaşlarının (2018) geliştirdiği TCN mimarisi ele alınarak, bu yaklaşımın geleneksel RNN yapılarına göre gradyan kaybolması yaşamadan uzun dizileri daha verimli işlediği ve alıcı alanı genişlettiği doğrulanmaktadır(Kong et al., 2025).
Çalışmada, Gao ve arkadaşlarının (2022) ETN-ODE modeli referans gösterilerek, kesikli derin öğrenme modellerinin aksine sürekli diferansiyel denklem yaklaşımlarının zamansal sürekliliği ve rastgele zaman adımlarında tahmini olanaklı kıldığı vurgulanmaktadır(Kong et al., 2025).
Sonuç Bölümünün Sunduğu Çıkarımlar
Yazarlar, derin öğrenme tabanlı zaman serisi tahmininin (DTSF) geleneksel istatistiksel modellerin sınırlarını aşarak büyük bir gelişim gösterdiğini, ancak yorumlanabilirlik eksikliği, zaman sürekliliği zorlukları ve paralelleştirme kısıtları gibi temel engellerin henüz aşılmadığını vurgulamaktadır. Gelecek araştırmaların temsil öğrenimi, karşıt olgusal tahmin, difüzyon modelleri ve ağ bilimi gibi disiplinlerarası yaklaşımlarla bu kısıtları çözebileceği ifade edilmektedir(Kong et al., 2025).
Literatür Taraması İçin Sunduğu Çerçeve
Bu çalışma, literatürde son derece dinamik bir gelişim gösteren derin öğrenme tabanlı zaman serisi tahmini (DTSF) araştırmalarını bütüncül ve sistematik bir çerçevede yapılandırma işlevini üstlenmektedir. Klasik istatistiksel yaklaşımların doğrusal varsayımlarla sınırlı kaldığı ve modern derin öğrenme yöntemlerinin çoğunlukla tekil bileşenler düzeyinde tartışıldığı bir ortamda, bu eser modelleri bütünsel mimari tasarımlarına göre sınıflandırmaktadır. Böylece araştırmacılara, karşılaştıkları zaman serisi probleminin boyutuna ve karmaşıklığına uygun model seçebilmeleri için teorik bir rehberlik sunmakta ve geniş bir taksonomi sunarak literatürdeki dağınıklığı gidermektedir.
Bu çalışma, kendisinden önce gelen ve genellikle belirli bir modele (örneğin yalnızca Transformer tabanlı yaklaşımlara) ya da klasik Box-Jenkins (ARIMA) ve Kalman filtresi gibi istatistiksel yöntemlere odaklanan geleneksel derlemelerden belirgin şekilde farklılaşmaktadır. Yazar kadrosu, geçmiş literatürün sunduğu kavramsal temelleri kabul etmekle birlikte, modern zaman serisi verilerinin gürültülü ve yüksek boyutlu doğasına vurgu yaparak, son yıllarda ortaya çıkan karmaşık mimarileri dinamik bir taksonomi altında birleştirmektedir. Önceki çalışmaların parça parça ele aldığı özellik çıkarma ve veri boyutlandırma metotlarını, parça tabanlı bölütleme ve zaman-frekans dönüşümü gibi modern tekniklerle harmanlayarak bir sonraki aşamaya taşımaktadır.
Bu makale, derin öğrenme tabanlı zaman serisi tahmin literatürüne sunduğu kapsamlı ve özgün sentez ile literatür taraması süreçlerini önemli ölçüde kolaylaştırmaktadır. Çalışmanın literatüre en büyük katkısı, yalnızca modelleri listelemekle kalmayıp, Encoder-Decoder, Transformer, GAN, Entegrasyon ve Kaskad olmak üzere beş temel paradigmayı teorik avantaj ve dezavantajlarıyla sentezlemesidir. Ayrıca enerji, ulaşım, finans, meteoroloji ve sağlık alanlarında yaygın kullanılan veri setlerini yapılandırılmış bir formatta sunarak, yeni başlayan ve ileri düzey araştırmacılar için metodolojik bir yol haritası ve veri kütüphanesi işlevi görmektedir.
Kaynakça
- Bai, S., Kolter, J. Z., & Koltun, V. (2018). An empirical evaluation of generic convolutional and recurrent networks for sequence modeling. arXiv preprint arXiv:1803.01271.
- Gao, P., Yang, X., Huang, K., Zhang, R., & Goulermas, J. Y. (2022). Explainable tensorized neural ordinary differential equations for arbitrary-step time series prediction. IEEE Transactions on Knowledge and Data Engineering, 35(12), 12534-12547.
Tez ve Makale Araştırmalarında Kullanım
Makalenin doğrulanmış yöntemi, bulguları ve kuramsal çerçevesi; tez ve makale çalışmalarında kullanılacağı bölümle birlikte aşağıdaki üç araştırma taslağına dönüştürülmüştür.
Tez veya makalede kullanım · literatüre-review
Derin öğrenme modelleri, zaman serilerinde otonom özellik çıkarımı yoluyla uzun vadeli zamansal bağımlılıkları geleneksel istatistiksel yaklaşımlardan daha başarılı şekilde yakalamaktadır.
Bu tez çalışmasında derin öğrenme mimarilerinin klasik Box-Jenkins (ARIMA) yöntemlerine göre neden üstün olduğunu açıklamak ve literatür zeminini kurmak için bu kaynaktaki sınıflandırma ve kanıtlardan yararlanılacaktır(Kong et al., 2025).
Akıllı Şebekelerde Genişletilmiş TCN Tabanlı Kısa Dönemli Elektrik Yükü Tahmini
- Araştırma sorusu
- Genişletilmiş evrişim yapısına sahip Zamansal Evrişimsel Ağlar (TCN), akıllı şebekelerdeki kısa vadeli elektrik yük dalgalanmalarını geleneksel LSTM modellerinden daha yüksek doğrulukla tahmin edebilir mi?
- Yöntem taslağı
- Bu çalışmada, kamuya açık ETT-small-h1 veri seti kullanılacaktır. Model olarak Bai ve arkadaşlarının (2018a) TCN yapısı temel alınarak, farklı genişleme (dilation) katsayıları denenecektir. Veriler eğitim, doğrulama ve test olarak ayrılacak, tahmin doğruluğu Ortalama Mutlak Hata (MAE) ve Kök Ortalama Kare Hata (RMSE) metrikleriyle ölçülecektir.
Makaleyle bağlantısı: Yazarların Zamansal Evrişimsel Ağların (TCN) parametre artırmadan alıcı alanını genişleterek uzun erimli bağımlılıkları RNN'lerden daha verimli yakaladığı yönündeki bulgusundan ve ETT veri setine dair sunulan tanımlayıcı özelliklerden türetilmiştir(Kong et al., 2025).
Tez veya makalede kullanım · Kavramsal çerçeve
Zaman serisi verilerinin frekans alanına dönüştürülmesi, gürültü azaltma ve aşırı öğrenmenin engellenmesi için kritik bir ön işlemdir.
Önerilen zaman serisi tahmin modelinde kullanılacak olan Fourier dönüşümü ve düşük dereceli matris yaklaşımı tabanlı gürültü azaltma katmanının teorik çerçevesini meşrulaştırmak amacıyla kullanılacaktır(Kong et al., 2025).
Frekans Alanında Fourier Analiziyle Gürültüden Arındırılmış Rüzgar Enerjisi Tahmini
- Araştırma sorusu
- Zaman serisi verilerinin Fourier analizi ve düşük dereceli matris yaklaşımıyla frekans alanında filtrelenmesi, rüzgar enerjisi üretim tahmin modellerinin aşırı öğrenmesini engellemede ne ölçüde etkilidir?
- Yöntem taslağı
- Avrupa Rüzgar Üretim (European Wind Generation) veri seti üzerinde yürütülecek çalışmada ampirik bir desen tasarlanacaktır. Ham veriler ile frekans alanında gürültüden arındırılmış veriler iki ayrı Transformer modeline (FEDformer gibi) girdi olarak verilecek, modellerin aşırı öğrenme eğilimleri doğrulama kaybı (validation loss) eğrileri üzerinden analiz edilecektir.
Makaleyle bağlantısı: FiLM modelinde Zhou ve arkadaşlarının Fourier analizi ve düşük dereceli matris yaklaşımıyla gürültüyü azaltarak aşırı öğrenmeyi engellediğine dair sunulan kanıtlara dayanmaktadır(Kong et al., 2025).
Tez veya makalede kullanım · Tartışma
Derin zaman serisi tahmin modellerinde yorumlanabilirlik, post-hoc surrogate modeller veya dikkat ağırlıkları analiziyle sağlanarak black-box sınırlılığı aşılabilmektedir.
Geliştirilen tahmin modelinin kararlarının açıklanabilirliğini tartışırken, N-BEATS gibi mimarilerin literatürde kabul görmüş yorumlanabilirlik yaklaşımlarıyla karşılaştırılmasında referans olarak kullanılacaktır(Kong et al., 2025).
Açıklanabilir Yapay Zeka ile Yoğun Bakım Hastalarında Kalp Ritmi Bozukluğu Erken Teşhisi
- Araştırma sorusu
- Yoğun bakım ünitelerindeki EKG sinyallerinden kalp ritmi bozukluğu tahmininde, N-BEATS mimarisine dayalı açıklanabilir bir yapay zeka tasarımı hekimlerin karar verme süreçlerine nasıl katkı sağlar?
- Yöntem taslağı
- MIT-BIH Aritmi veri seti kullanılarak N-BEATS tabanlı bir tahmin modeli geliştirilecektir. Modelin karar mekanizmaları, post-hoc surrogate yaklaşımlar ve gradyan tabanlı açıklanabilirlik yöntemleriyle görselleştirilecektir. Tasarımın klinik kullanılabilirliği, kardiyologlardan oluşan bir odak grup çalışmasıyla (veri doygunluğuna ulaşana kadar nitel analizlerle) değerlendirilecektir.
Makaleyle bağlantısı: Yazarın, N-BEATS modelinin özel yapısı sayesinde yüksek tahmin doğruluğu sunarken aynı zamanda yüksek yorumlanabilirlik sağladığına ve bunun kritik karar mekanizmalarındaki önemine dair tartışmasından yola çıkılmıştır(Kong et al., 2025).