Zaman Serisi Tahmini İçin Derin Öğrenme: Model Mimarisi Paradigmaları, Özellik Çıkarımı ve Gelecek Yönelimleri Üzerine Kapsamlı Bir İnceleme

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.

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.

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).

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.