Zaman serisi tahmini nedir, neden kullanılmalı ve nasıl başlayabilirsiniz? Bu blogda, ArcGIS Pro ile zaman serisi tahmininin karar verme sürecinize nasıl değer katabileceğini anlatacağız. İlk olarak zaman serisi tahminine kısa bir giriş yaparak kullanım alanlarını aktarılarak veri hususundan bahsedeceğiz. Sonrasında da sizi Esri’nin zaman serisi tahmini araç setleri ile tanıştıracağız.

Temeller

Bir zaman serisi, karşılık gelen bir zamana (örneğin saat, gün, ay, yıl, vb.) bağlı bir dizi veri noktasıdır. Zaman serisi verileri, yalnızca aralıklı veya rastgele değil, belirli bir süre boyunca tutarlı aralıklarla toplanan veri noktalarını içerir. Bu da toplanan verilerdeki eğilimleri daha etkin bir şekilde belirlemek ve benzer veri noktalarının gelecekte kendilerini nasıl gösterebileceğine ilişkin daha doğru tahminler yapmak için gerçekleştirilen herhangi bir zaman serisi analizine olanak tanır. 

Zaman serisi tahmini, gelecekteki olayların benzer kalıpları takip etmeye devam edeceği varsayımıyla geçmiş eğilimleri yorumlayarak gelecekteki olayları tahmin etmek için kullanılan bir tekniktir. Yani geçmiş zaman serisi verilerinde gözlemlenen trendlere benzeyen en uygun modeller oluşturulur daha sonra bu modeller gelecekteki değerleri tahmin etmek kullanılır. 

Zaman serisi tahmini, gelecekle ilgili kesin bir tahmin değildir, sadece en iyi tahmindir. Ayrıca model ne kadar kapsamlı zaman serisi verileri ile beslenirse tahmin o kadar iyi olur.

Zaman Serisi Tahmini Kullanım Alanları

Zaman serisi analizi, kuruluşların zamansal verilerindeki temel eğilimleri açıklamalarına yardımcı olabilir. Zaman serisi tahmini, gelecekteki olası sonuçları tahmin etmek için verilerdeki zamansal kalıpları (mevsimsellik veya döngüsel davranış gibi) kullanarak bunu bir adım daha ileri götürür.  Gelecekteki olayların bu şekilde nasıl gelişebileceğini bilmek, insanların güvenlik, verimlilik ve maliyetler gibi önemli standartları en üst düzeye çıkarmak için daha iyi önleyici kararlar almasına yardımcı olabilir. 

Zaman serisi tahmininin kullanıldığı yaygın gerçek dünya örnekleri şunları içerir:

Perakende, tedarik ve dinamik fiyatlandırma için talep tahmini

• Personel programlarını optimize etmek için müşteri yoğunluğunu tahmin etme
• Envanterin depolanmasını optimize etmek için bir ürünün talebini tahmin etme
• Bir mağaza için ürün satışlarını tahmin etme

Sağlık hizmetlerinde pandemik yayılma, teşhis ve ilaç planlamasının tahmin edilmesi

• İhtiyacı optimize etmek için farklı konumlardaki enfeksiyon oranlarını tahmin etme

Anormallik tespiti

• Mevsimlerin ve trendlerin görünümünden önemli ölçüde sapan düzensiz yükselmeleri veya inişleri tespit etme
• Denizcilik endüstrisi, kömür madenciliği, ATM’lerin çalışması ve daha fazlası dahil olmak üzere sensör okumalarında anormallikler bularak, bu tür sistemlerde arızaya yol açan daha büyük olayların önüne geçme

Veri Hususları

Kullanmayı planladığınız verilerin tahmin edilmeye uygun olup olmadığını kontrol etmek önemlidir. Aşağıda, verileriniz için kullanabileceğiniz beş genel noktayı listeledik. 

Gözlem Sayısı

Zaman serisi tahmini, büyük ölçüde mevcut veri miktarına dayanır.  Dolayısıyla “daha fazla veri daha iyi analize eşittir” kavramı zaman serisi tahmini için de geçerlidir. Ne kadar çok gözlem noktamız olursa, modellerimiz verilerimize o kadar iyi uyacaktır.

Zaman Ufku

Zaman ufku, gelecek için ne kadar uzak bir tahmin ürettiğinizdir. Ne kadar ileri gitmeye çalışırsanız, tahminleriniz o kadar güvenilmez olacaktır. Veri kümeniz çok miktarda kısa vadeli veri içeriyorsa, uzun zaman ufku içeren tahminler oluşturmaktan kaçınmalısınız.

Rastgele Veri

Rastgele olaylar asla doğru bir şekilde tahmin edilemez. Dolayısı ise rastgele olaylarda ne kadar veri topladığımız veya bu verileri ne kadar tutarlı bir şekilde topladığımız önemli değildir. Örneğin, piyango numaraları her hafta kaydedilebilir, ancak bir sonraki kazanan numaraları tahmin edemezsiniz. Piyango rastgele olacak şekilde tasarlanmıştır. Bu nedenle tarihi örüntüler gelecekteki örüntüleri yansıtmayacak ve gözlemlenen benzerlikler tesadüfi olacaktır.

Veri Kalitesi

Kaliteli verilerin kullanılması herhangi bir veri analizi tekniği için standart bir gerekliliktir. Veri kalitesi için tipik yönergeler, verilerin kopyalanmamasını, geçerli bir biçimde, tutarlı bir şekilde toplanmasını ve düzenli aralıklarla toplanmasını içerir. Bunlar arasında, zaman serisi verilerinin analiz edilen zaman periyodu için düzenli aralıklarla toplanmış olması özellikle önemlidir.

Durağanlık

Durağan veriler zamanla değişebilir, ancak bazı temel özellikler her zaman aynı kalır. Gelecekteki değerleri güvenilir bir şekilde tahmin edebilen bir zaman serisi modeli oluşturmak için kullandığımız verilerin durağan olması gerekir. Verilerinizin durağan olup olmadığını öğrenmek için veri kümenizde çalıştırabileceğiniz testler vardır. Dickey-Fuller testi yaygın bir testtir. Ayrıca verilerinizi durağan olmayandan durağan hale getirebilen ve bir zaman serisi tahmini gerçekleştirmek için gerekli özellikleri koruyan dönüşümler de mevcuttur.

Esri’nin Zaman Serisi Tahmin Araç Seti

Esri’nin zaman serisi tahmin araç setinde tahmin edilen veri tipine ve kullanıcının ihtiyaç duyduğu çıktı tipine bağlı olarak dört farklı tahmin aracı vardır. Ayrıca araç setleri mekansal karar vermeye yardımcı olmak için tahminlerin dağılımını mekansal olarak görselleştirmek için tasarlanmıştır. 

Esri’nin zaman serisi tahmin araç setindeki her araç için belgeleri burada bulabilirsiniz.

Curve Fit Forecast

Zaman serisi verileri tüm şekil ve boyutlarda gelir. Bazıları doğrusal bir eğilime sahip olabilirken, diğerleri daha S-şekilli bir eğriyi takip edebilir. Bu araç seti, zaman serisi verileri arasındaki bu çeşitlilik düzeyiyle başa çıkmanıza yardımcı olmak için tasarlanmıştır. Çalışma alanınızı en iyi tanımlayan eğriyi bilmiyorsanız, “otomatik algılama”yı seçebilirsiniz. Böylece araç tahminleriniz için kullanabileceğiniz en uygun istatistiksel modeli otomatik olarak önerecektir.

^{Dört Farklı Eğri Türü}

Exponential Smoothing Forecast

Hem üstel düzeltme hem de rastgele orman tabanlı yaklaşım, verilerimizdeki mevsimsel veya döngüsel eğilimler de dahil olmak üzere karmaşık zaman serileriyle başa çıkmakta iyidir.

^{Döngüsel Eğilim Grafiği}

Her bir aracın en önemli çıktılarından biri açılır pencereler şeklindedir. Otomatik olarak oluşturulan her açılır pencerede, ölçülen verilerimizi mavi, tahminimizi turuncu görebilirsiniz.

^{Tahmin Açılır Penceresi}

Ayrıca pencerede tahminin etrafındaki belirsizliği de görebiliriz. Modelin, çalışma alanı boyunca konuma nasıl uyduğu konusunda bize değerli bir fikir verir. Bir tahmin modeli çalıştırdığınız her alan için açılır pencereler mevcuttur ve haritanızdaki çalışma alanına tıklanarak görüntülenebilir.

^{Tahmin Açılır Penceresi Animasyon Gösterimi}

Forest-Based Forecast

Orman Tabanlı Tahmin aracı, bir uzay-zaman küpünün gelecekteki zaman dilimlerini tahmin etmek için orman tabanlı gerileme kullanır. Bu araç, regresyon için kullanıldığında Orman Tabanlı Sınıflandırma ve Regresyon aracıyla aynı temel algoritmayı kullanır.

Orman regresyon modelleri, veriler hakkında çok az varsayımda bulunur, bu nedenle birçok bağlamda kullanılırlar. Veriler karmaşık eğilimler veya mevsimlere sahip olduğunda veya polinomlar, üstel eğriler veya sinüs dalgaları gibi yaygın matematiksel işlevlere benzemeyen şekillerde değişiklikler olduğunda diğer tahmin yöntemlerine kıyasla en etkilisidir.

^{Orman Tabanlı Tahmin Aracını Kullanarak Tahmin Zaman Serisi}

Evaluate Forecasts by Location

Tüm çalışma alanınızda tek bir model kullanabilirken, aynı zamanda mekana göre modellerinizin değişmesine de izin verebilirsiniz. Araç, uzay-zaman küpünün her konumu için çoklu tahmin sonuçları arasından en doğru olanı seçer. Bu Zaman Serisi Tahmini araç seti aynı zaman serisi verileriyle birden fazla aracı kullanmanıza ve her konum için en iyi tahmini yapmanıza olanak tanır. 

Bu nedenle, çalışma alanınızı daha küçük konumlara böldüyseniz, bazı konumlarda bu araç bir eğri tahmini seçebilir çünkü bu konumlardaki zaman serileri bu ortak kalıpları takip eder. 

^{Göstergede Vurgulanan En Doğru Tahminle Birden Fazla Tahmininin Görüntülenmesi}

Bu araç, her bir konuma ne kadar iyi uyduklarına bağlı olarak, çalışma alanımız boyunca farklı tahmin modellerini haritalandırmamıza olanak tanır. Dolayısıyla, aynı modelin geçerli olduğu farklı konumlar gördüğümüzde, bu konumların da büyük olasılıkla benzer özellikleri paylaştığı konusunda bize değerli bir fikir verir.

^{Tahminlerin Konum Çıktısına Göre Değerlendirmesi}

Zaman serisi tahmini araç setleri Basic, Standard ve Advanced olmak üzere tüm ArcGIS Pro lisans türleri için mevcuttur.