Yapay Arı Kolonisi Algoritmasına Dayalı Yeni Bir Bulanık Zaman Serisi Çözüm Yöntemi

Abstract

Bulanık zaman serilerinde aralık uzunluğu, en iyi öngörü performansını elde etmede önemli bir aşamadır. Literatürde aralık uzunluğu daha önce farklı yapay zeka yöntemleriyle belirlenmiştir. İlk kez, önerilen yöntemde aralık uzunlukların belirlenmesi yapay arı kolonisi algoritmasıyla (ABC) gerçekleştirilmiştir. Aralık uzunluğu kullanılarak, evrensel küme alt aralıklara ayrılır ve bu aralıklara dayalı olarak bulanıklaştırma işlemi gerçekleştirilir. Önerilen yöntemde evrensel küme parçalanmasında kullanılan aralıkların sınırları ABC ile belirlenmektedir. Bulanık zaman serisi yönteminin üç temel aşaması vardır. Bu aşamalar; zaman serilerinin bulanıklaştırılması, bulanık mantık ilişkilerinin belirlenmesi ve tahminlerin berraklaştırılmasıdır. Önerilen yöntemle zaman serilerinin bulanıklaştırılması aşamasına katkıda bulunulmuştur ve önerilen yöntem kullanıldığında aralık uzunluğunun belirlenmesinde subjektif bir karara gerek kalmamaktadır. Önerilen yöntemin performansı İstanbul menkul kıymetler borsası birleşik indeksinin son 4 yıla ait verilerinden elde edilen zaman serileri kullanılarak deneysel olarak araştırılmıştır. Literatürdeki diğer yöntemlere göre önerilen yöntemin daha iyi öngörü performansı gösterdiği deneysel çalışma sonucunda ortaya koyulmuştur.Determining interval length in fuzzy time series is an important task to achieve the best prediction performance. Interval length has been determined by different intelligent methods before. However, determining the interval length in the proposed method was firstly performed by Artificial Bee Colony (ABC). The universal set is partitioned into sub-intervals and fuzzification is applied by using interval length. The limits of the intervals which are used in the partitioning universal set in the proposed method are determined by ABC. The method of fuzzy time series has three main stages. These stages are fuzzification, determining fuzzy relations and defuzzification. It was made a contribution to the fuzzification stage in this study. When the proposed method is used, a subjective decision isn?t needed for the fuzzification of time series. The performance of the proposed method is experimentally researched by using the time series which is taken from the last 4 years? data of the Istanbul stock exchange composite index. It is put forward that the proposed method has much better forecasting performance than this obtain from the other methods in the literature as a result of the experimental study.