Zaman Serisi Kullanarak Sıcaklık Analizi- Analysis of Temperatures Via Time Series

Source: Deep Learning on Medium


Özetçe — Bu dökümanda zaman serisi kullanarak Melbourn şehrine ait 1981- 1990 yılları arasındaki aylık sıcaklık ortalamalarının değişimlerini deep learning metodu olan LSTM ve ARIMA metodlarıyla inceleyeceğiz. Bu inceleme sonucunda şehrin hava sıcaklığı analizi yapılacaktır.

Anahtar Kelimeler — lstm, arima, sıcaklık tahmini, sıcaklık, tahminleme, deep learning, deep, learning, derin öğrenme, derin, öğrenme, Melbourne.

Abstract — This electronic document is a time series Analysis of Melbourn city. Which has monthly temperatures avarages datas between 1981 to 1990. We will be using methods of deep learnings LSTM and Arima methods. According this research we will be able to analysis temperatures of the City Melbourn.

Keywords — temperature prediction, prediction, temperature, time serie, time series, time, series, deep learning, deep, learning, Melbourne.


I. GİRİŞ

Bu proje, 1981–1990 yılları arasında Melbourn şehrinde ısı değişimini analiz etmek amacıyla yapılmıştır. Araştırma sonucunda şehirdeki ısı değişimlerini tahmin edebilecek, aykırı verileri gözlemleyebileceğiz. Bu gözlemler ve uygulanan metotlar sonucunda verisetini istenilen şehire göre değiştirerek çalışma yaptığımız şehir hakkında da bilgiler elde edebileceğiz.

Örnek proje 1. Derin sinir ağları kullanılarak yapılmış[1]bu uygulama ile oda içindeki sıcaklığın zaman serisi ile ölçülmesini MIMO(multiple input multiple output) yöntemi ile yapmıştır.

Örnek proje 2. Berkeley Dünya dataseti kullanarak[2] 1880–2014 yılları arasındaki datasetini kullanarak SageMaker sdk sı ile tahminleme yapmıştır.

Örnek proje 3. Hava kirliliği tahmini yapılmış[3]. Zaman serisi çözümleri LSTM ile yapılmıştır.


II. ÖNCEKİ ÇALIŞMALAR

Time-Series Forecasting of indoor Temperature Using Pre- Trained Deep Neural Networks[1]

ANN kullanılarak Restricted Boltzmann Machines mimarisi ve Stacked Denoising Auto-Encoders mimarilerini kullanarak tahminleme süreci yapılmış. Multiple Input Multiple Output

(MIMO), Mean Absolute Error(MAE) ve Root Mean Square Error ile performans testleri yapılmıştır.

Prediction World temperatures with time series and DeepAR on Amazon SageMaker[2]

Amazon SageMaker teknolojisi kullanılarak DeepAR kullanarak yapılmıştır. DeepAR algoritması 2017 yılında çıkmış bir algoritmadır. Bu teknoloji sayesinde tek model tüm zaman serisi modellerinde kullanılabilecektir. The Berkeyley Earth veriseti kullanılmış ve bu dataseti 1880 ve 2014 yılları arasındaki günlük sıcaklık derecelerini içerir.

Multivariate Time Series Forecasting with LSTMs in Keras[3]

Hava kirliliği tahmini yapmak için LSTM algoritmasının kullanması içerir. Verisetinde zaman serisi ve diğer veriler bulunur. LSTM ile tahminleme gerçekleştirilmiştir.

How to Create an ARIMA Model for Time Series Forecasting in Python[4].

ARIMA modeli kullanılarak Shampoo adlı verisetinin üzerinde tahminleme yapılmıştır. Bu implementasyonlar python üzerinde gerçekleştirilmiştir.

Önceki çalışmalara nazaran bizim çalışmamız güncel olan LSTM ve ARIMA metotlarının uygulanıp aralarındaki farkın değerlendirilmesine yöneliktir.


III. YÖNTEM

Datasetimizde 3600 örnek mevcuttur. Bu örnekler 1981 den 1990 yılına kadar sıralı günler ve bu günlere ait günlük sıcaklık değerleri verilmiştir[5]. Deneylerimizde daha hızlı sonuç elde etmek istediğimizden dolayı ay ortalaması alınarak. Örneklerin sayısı 120 ye düşürülmüştür.

Uygulama, Python dili kullanmak amacıyla. Anaconda Navigator üzerinden Spyder ide si kullanılarak yapılacaktır. Derin öğrenme algoritmalarını kullanabilmek için Anaconda Navigator environment kısmından Keras kütüphanesi yüklenmiştir.

Derin öğrenme algoritmalarından LSTM, çoklu input ile neredeyse problemsiz çalışır. Bu algoritmanın en iyi özelliği lineer metodların diğer algoritmalar ile zor adaptasyonu, LSTM ile bu adaptasyon problemleri en aza indirilmiştir[3]. Şekil 7 de görülen Lstm modeli 80 Epochs(Algoritmanın veri kümesi ile kaç yinelemede eğitileceğini gösteren parametre[7]), 1 batch(1 defada alınan miktar), 80 neuron ile çalışmaktadır. Kullanılan bilgisayarın özelliklerine göre değişmekle birlikte kullanılan bilgisayarda (Macbook Pro 2014) 30 dakikada sonuca erişim sağlanmıştır.

ARIMA; zaman serisi için çok kullanılan, istatistiksel bir tahminleme modelidir. AR-I-MA, otomatik regresif(auto regressive), entegre edilmiş (Integrated), hareketli eklenmiş ortalama (Moving average) sırasıyla ifade eder. ARIMA(p,d,q) olarak kullanılabilir. P Autoregressive (ar(p)) olarak kullanılır. D data serisinin kaç kere differensiyali alıncağını. Q kısmı ise yani ma(q) kaydırmalı ortalama değeri için kullanılır. Arima modeline aynı zamanda Box-jenkins de denir. Bu yöntem ile, davranış gösteren serinin fiti ve geleceğe tahmini yapılabilir[4].


IV. DENEYSEL SONUÇLAR

Spyder üzerinden yapılan. RMSE(root mean square error) ve tablo çizimi sonuçlarını aşağıda görülebilir.(Tablo 1)

Tablo 1 Sonuçlar Tablosu (Results Table)
Şekil 1. LSTM(80,1,80)
Şekil 2. Lstm (120,1,120)
Şekil 3. Arima(5,0,0)

V. SONUÇ

Sonuçlar tablosunda verilen değerler ışığında(Tablo1). RMSE yöntemine göre en iyi sonuç veren model LSTM(80–1- 80)modelidir. Ardından en iyi sonuç veren Arima modeli ise arima(5,0,0) dır. Aynı zamanda AR(5) anlamına gelir.



KAYNAKLAR

[1] https://link.springer.com/chapter/10.1007/978-3-642-40728-4_57Trans. Artificial Neural Networks and Machine Learning — ICANN 2013

[2] https://medium.com/@julsimon/predicting-world-temperature-with- time-series-and-deepar-on-amazon-sagemaker-e371cf94ddb5

[3] https://machinelearningmastery.com/multivariate-time-series-forecasting-lstms-keras/

[4] https://machinelearningmastery.com/arima-for-time-series-forecasting-with-python/

[5] https://datamarket.com/data/set/2324/daily-minimum-temperatures-in-melbourne-australia-1981–1990#!ds=2324

[6] https://machinelearningmastery.com/time-series-forecasting-long-short-term-memory-network-python/

[7] Uygulamalarla veri bilimi Makine Öğrenmesi, Derin Öğrenme Doc Dr. Deniz Kılınç- Nezahat Başeğmez ISBN:987–605–2263–36–5