Yeni bir zaman serisi öngörü yaklaşımı : genetik algoritmaya dayalı bulanık evrişimsel sinir ağı regresyon fonksiyonları

Abstract

Zaman Serisi Öngörüsü İçin Yapay Sinir Ağlarına Dayalı Yeni Bir Bulanık Fonksiyon Yaklaşımı Bu çalışma, zaman serisi tahmininde belirsizlik, yapısal bağımlılıklar ve doğrusal olmayan örüntülerin eşzamanlı olarak modellenmesi sorununa çözüm olarak, FAGGING-CNNF adı verilen yeni bir topluluk (ensemble) mimarisi önermektedir. Önerilen yapı; gecikmeli gözlemler üzerinde Fuzzy C Means ile elde edilen anlamsal (semantic) kümeleri, her bir küme için yerel birer 1D Konvolüsyonel Sinir Ağı (CNN) eğitilmesini ve tahminlerin üyelik derecelerine dayalı dinamik ağırlıklarla birleştirilmesini içerir. Böylece klasik bagging yaklaşımındaki rassal yeniden örnekleme yerine, çeşitlilik veri odaklı ve yorumlanabilir bir biçimde sağlanmakta; zaman bağımlılığı korunmakta ve varyans azaltılırken genellenebilirlik güçlenmektedir. Tüm sürecin kritik hiperparametreleri (gecikme sayısı, bulanık küme sayısı, bulanıklık endeksi, CNN kernel genişliği, filtre sayısı, mini batch büyüklüğü) genetik algoritma ile doğrulama kümesi üzerinde sistematik biçimde optimize edilmektedir. Modelin etkinliği, toplam 22 farklı veri seti üzerinde gerçekleştirilen kapsamlı karşılaştırmalarla değerlendirilmiştir: TAIEX 2000–2004 (5 seri), TAIEX 2008–2018 (11 seri) ve sürdürülebilir su tüketimi (NYWC Total, NYWC Capita, OECD, BRICS, ROW, WORLD; 6 seri). TAIEX 2000–2004 için ortalama; RMSE değeri 52 elde edilirken, bireysel performansın etkin bir ölçüsü olan MAPE %1’in altında gözlenmiştir. Öngörüler ile gerçek gözlemlerin uyumunu belirlemek adına kurulan sabit katsayısız basit doğrusal regreyon modelinde regresyon ve determinasyon katsayılarının her ikisininde neredeyse 1 olarak elde edilmesi yüksek uyumu işaret etmektedir. TAIEX 2008–2018 setlerinde model, literatürdeki en iyi alternatiflere karşı ortalama %15, ikinci en iyi modellere karşı ise %35 RMSE iyileşmesi sağlamış; ortalama MAPE %0.50 ve MdRAE 0.66 olarak gerçekleşmiştir. Su tüketimi serilerinde tüm MAPE değerleri %2.16’nın altında, beş seride ise %1’in altındadır (ör. NYWC Total için %0.27). Bu bulgular, finansal serilerin ötesinde çevresel ve kaynak planlama alanlarında da yüksek doğruluk ve uyarlanabilirlik sağlandığını göstermektedir. Artık tahmin diyagramları ve göreli hata grafiklerinde kalıntıların yapısız ve düşük büyüklükte olması, modelin yanlılık taşımadığını ve ilave bilgi içermediğini teyit etmektedir. Sonuç olarak FAGGING CNNF, bulanık mantıkla belirsizlikleri yapısal olarak temsil eden, derin öğrenme ile karmaşık bağımlılıkları yakalayan ve semantik bulanık birleştime ile çeşitliliği anlamlı biçimde inşa eden bütünleşik bir çerçeve sunmaktadır.

A new time series forecasting approach : fuzzy convolutional neural network regression functions based on genetic algorithm This study introduces FAGGING CNNF, a novel ensemble forecasting framework designed to address uncertainty, structural dependencies, and nonlinear patterns in time series. The proposed approach combines: Fuzzy C Means clustering on lagged observations to create semantic partitions, training 1D Convolutional Neural Networks (CNNs) as local estimators for each fuzzy cluster, and aggregating forecasts using dynamic weights based on membership degrees. Unlike conventional bagging, which relies on random resampling, FAGGING CNNF builds diversity in a data-driven and interpretable manner, preserving temporal dependencies while reducing variance and enhancing generalization. Critical hyperparameters—including lag order, number of clusters, fuzziness index, CNN kernel size, number of filters, and mini-batch size—are systematically optimized through a genetic algorithm on the validation set. The model’s effectiveness was assessed across three major tasks: TAIEX 2000–2004 (5 series), TAIEX 2008–2018 (11 series), and sustainable water consumption datasets (NYWC Total, NYWC Capita, OECD, BRICS, ROW, WORLD; 6 series). For the TAIEX data from 2000–2004, the average RMSE was found to be 52, while the MAPE — a highly effective measure of individual forecasting performance — remained below 1%. In the simple linear regression model without an intercept, established to assess the agreement between forecasts and actual observations, both the regression and determination coefficients were found to be nearly 1, indicating an exceptionally high level of consistency. For TAIEX 2008–2018, FAGGING CNNF improved RMSE by an average of 15% over the best and 35% over the second-best models, with average MAPE of 0.50% and MdRAE of 0.66. For water consumption datasets, all MAPE values were below 2.16%, with five of six series below 1% (e.g., 0.27% for NYWC Total). These results confirm the model’s reliability and adaptability across both financial and environmental domains. Residual and relative error plots demonstrate random, structure-free residuals with low magnitude, validating the model’s unbiasedness and predictive reliability. Overall, FAGGING CNNF integrates fuzzy logic to structurally capture uncertainty, deep learning to model complex dependencies, and semantic bagging to construct meaningful diversity among learners. The resulting hybrid framework offers high forecasting accuracy, stability, and interpretability.