Zaman Serisi Verilerine Giriş Kılavuzu

Veri birikimi söz konusu olduğunda “zaman” çok önemli bir değişkendir. Zaman serisi analizinde zaman, verilerin önemli bir unsurudur.

Zaman Serisi Verileri Nedir?

Zaman serisi verileri, zaman içinde sıralanan bir dizi veri noktasına atıfta bulunur. Bir dizi gözlem arasında bir sıra bağımlılığı getirir. Zaman serileri, günümüzün veri odaklı dünyasında her yerde bulunur. Her olay zamanın okunu takip ettiğinden, çeşitli zaman serisi verileriyle sürekli etkileşim halindeyiz.

Zaman serilerinin genellikle düzenli zaman aralıklarında üretildiği varsayılır ve düzenli zaman serileri olarak adlandırılır. Ancak, bu zaman serisindeki verilerin düzenli aralıklarla oluşturulması gerekmez. Bu tür örnekler, verilerin geçici olarak aşamalı bir diziyi takip ettiği düzensiz zaman serilerini kapsar. Bu, ölçümlerin düzenli aralıklarla gerçekleşmeyebileceği anlamına gelir. Bununla birlikte, veriler ayrık zaman aralıklarında veya bir çoğuşma olarak üretilebilir. ATM'den para çekme veya hesaba para yatırma, düzensiz zaman serilerine örnektir.

Teknik olarak, bir zaman serisinde, belirli bir zaman periyodunda bir veya daha fazla değişken değişir. Tek bir değişken zamanla değişiyorsa, Tek Değişkenli zaman serisi olarak adlandırılır. Örneğin, her saniye bir odanın sıcaklığını ölçen bir sensör düşünün. Burada her an (yani saniye) sadece tek boyutlu bir sıcaklık değeri üretilir. Aksine, zamanla birden fazla değişken değiştiğinde buna Çok Değişkenli zaman serisi denir. Örneğin, banka ekonomisini düşünün. Bu gibi durumlarda, repo oranı gibi bir değişkendeki politika değişikliklerinin diğer değişkenleri (yani ticari bankalar için kredi kullandırımı) nasıl etkileyebileceğini anlamak için çok değişkenli zaman serileri kullanılır.

Zaman serisi verileri, finans, jeoloji, meteoroloji, imalattan bilgi işlem, IoT, fiziksel ve sosyal bilimlere kadar her disiplinde uygulamasını bulur. Hava durumu değişikliklerini, doğum oranını, ölüm oranını, piyasa dalgalanmalarını, ağ performansını ve diğer birçok uygulamayı izlemek için kullanılır. Ana kullanım durumlarından bazıları izleme, tahmin ve anormallik algılamayı içerir. Örneğin, zaman serisi tahmini, veritabanı yönetim sistemlerinin popülerliğini belirlemede kritik bir rol oynar. Aşağıdaki şekil, bir zaman serisi grafiğinde yıllar içinde (2019-2021) DBMS'nin artan popülaritesini göstermektedir.

Zaman Serilerinin Temel Bileşenleri

Bir zaman serisindeki bir gözlemin değerlerini etkileyen faktörler, onların anahtar bileşenleri olarak ele alınır. Üç bileşen kategorisi şunları içerir:

1. Trend veya Uzun vadeli hareketler
2. Kısa vadeli hareketler
   1. Mevsimsel varyasyonlar
   2. döngüsel varyasyonlar
3. Rastgele veya Düzensiz hareketler

Akım

Verilerin uzun bir süre boyunca artma veya azalma eğilimi, bir eğilim veya uzun vadeli bir bileşen olarak adlandırılır. Bununla birlikte, yukarı veya aşağı hareketin belirli bir zaman diliminde mutlaka aynı yönde olması gerekmediğine dikkat etmek önemlidir.

Eğilimler, zamanın farklı bölümlerinde yükselebilir, düşebilir veya sabit kalabilir. Bununla birlikte, genel eğilim her zaman yukarı, aşağı veya istikrarlı bir modele eşit olmalıdır. Bu tür hareket eğilimleri, tarımsal verimlilik, ölüm oranı, üretilen cihazlar, fabrika sayısı vb. örneklerde belirgindir.

Doğrusal ve Doğrusal Olmayan Trend

Bir grafik üzerinde zamana karşı zaman serisi değerlerinin çizilmesi, veri kümeleme modeline dayalı olarak trendin türünü ortaya çıkarır. Veri kümesi aşağı yukarı düz bir çizgi etrafındaysa, eğilim doğrusal bir eğilim olarak adlandırılır. Aksi takdirde, iki değişken arasındaki değişim oranı sabit veya sabit olmadığı için veri kümesi deseni doğrusal olmayan bir eğilim gösterir. Bu nedenle, bu tür eğilimlere eğrisel korelasyonlar da denir.

Kısa Vadeli Hareketler

Bir zaman serisinde, bu bileşenler bir süre boyunca kendilerini tekrar etme eğilimindedir. Düzensiz kısa patlamalara sahiptirler ve incelenen değişkenleri etkilerler. Kısa vadeli hareket kapsamındaki iki kategori türü şunları içerir:

Mevsimsel Varyasyonlar

Bu sürümler, bir yıldan daha kısa bir süre boyunca düzenli ve periyodik olarak çalışır. 12 aylık bir süre boyunca benzer veya hemen hemen aynı kalıba sahip olma eğilimindedirler. Veriler düzenli olarak, yani saatlik, günlük, haftalık, aylık veya üç aylık olarak kaydedilirse, bu tür varyasyonlar bir zaman serisinin parçası haline gelir.

Mevsimsel değişimler ya insan yapımıdır ya da doğal olarak meydana gelir. Bu tür değişimlerde farklı mevsimler veya iklim koşulları kritik bir rol oynamaktadır. Örneğin, mahsul üretimi tamamen mevsimlere dayanır. Benzer şekilde, bir şemsiye veya yağmurluk pazarı yağışlı mevsime bağlıdır, yaz mevsiminde soğutucu ve klima ünitelerinin satışı zirve yapar.

İnsan yapımı gelenekler, festivalleri, partileri ve evlilik gibi etkinlikleri içerir. Bu tür kısa vadeli olaylar her yıl tekrarlanır.

Döngüsel Varyasyonlar

Bir yıldan fazla bir süre boyunca işleme eğiliminde olan zaman serisi varyasyonları, döngüsel varyasyonlar olarak adlandırılır. Bir işletme için tam bir dönem “İş Döngüsü” olarak kabul edilir. İş performansındaki artış veya düşüş, ekonomik yapı, iş yönetimi ve diğer etkileşimli güçler gibi çeşitli faktörlere bağlıdır. Bu döngüsel iş varyasyonları düzenli olabilir ancak periyodik olmayabilir. Genel olarak işletmeler refah, durgunluk, depresyon ve canlanmayı içeren dört aşamalı bir döngüsel süreçten geçerler.

Bu tür döngüsel varyasyonlar, iş geliştirme ağırlıklı olarak oluşturulan “sıralı veri noktalarına” bağlı olduğundan, bir zaman serisi modelinin ayrılmaz bir parçasıdır.

Rastgele veya Düzensiz Hareketler

Rastgele bileşenler, gözlem altındaki değişkende önemli bir varyasyona neden olur. Bunlar, herhangi bir belirli kalıp olmaksızın tamamen düzensiz dalgalanmalardır. Kuvvetler öngörülemez, tahmin edilemez ve doğası gereği değişkendir - örneğin depremler, sel, kıtlık ve diğer afetler.

Yukarıda açıklanan rastgele olaylar, gelecekte meydana gelebilecek bu tür gerçek hayat senaryolarını daha iyi ele almak için kaynak zaman serisi verileri kullanılarak analiz edilir.

Zaman Serisi Türleri

Zaman serisi verileri deterministik, deterministik olmayan, durağan ve durağan olmayan olmak üzere dört türe ayrılabilir. Her türe ayrıntılı olarak bakalım.

#1. Deterministik Zaman Serileri

Deterministik bir zaman serisi, analitik bir ifadeyle tanımlanabilir. Rastgele veya olasılıksal yönleri içermez. Matematiksel olarak, bir Taylor serisi açılımı cinsinden tüm zaman aralıkları için tam olarak ifade edilebilir. Bu, tüm türevleri zamanın herhangi bir noktasında biliniyorsa mümkündür. Bu türevler, o andaki geçmişi ve geleceği açıkça belirtir. Tüm koşullar yerine getirilirse, gelecekteki davranışını doğru bir şekilde tahmin etmek ve geçmişte nasıl davrandığını analiz etmek mümkündür.

#2. Deterministik Olmayan Zaman Serileri

Deterministik olmayan bir zaman serisinin, açık tanımını engelleyen rastgele bir yönü vardır. Bu nedenle, analitik ifadeler böyle bir zaman serisini ifade etmek için yeterince uygulanabilir çözümler değildir. Bir zaman serisi aşağıdaki nedenlerden dolayı deterministik olmayabilir:

1. Bunu açıklamak için gerekli bilgiler bütünüyle mevcut değildir. Veriler prensipte mevcut olabilse de, açıkça ölçülebilir olarak ele alınamaz.
2. Veri üretme süreci doğası gereği rastgeledir.

Rastgele faktör nedeniyle, deterministik olmayan zaman serileri olasılık yasalarına uyar. Bu nedenle, veriler istatistiksel terimlerle ele alınır - ima edilen veriler, olasılık dağılımları ve çeşitli formların ortalamaları ile tanımlanır. Buna dağılım araçları ve ölçüleri, yani varyanslar dahildir.

#3. Durağan Zaman Serileri

Durağan bir zaman serisinde ortalama, varyans ve diğerleri gibi istatistiksel özellikler zaman yönüne bağlı değildir. Durağan bir zaman serisinin tahmin edilmesi daha kolaydır, çünkü istatistiksel özelliklerinin geçmişte gözlemlendiği gibi kalacağı kesin olarak ifade edilebilir. Bu nedenle, çeşitli istatistiksel tahmin yöntemleri, zaman serisinin hemen hemen durağan olduğu argümanına dayanmaktadır. Bu, basit matematiksel dönüşümler uygulanarak zaman serisinin yaklaşık olarak durağan olarak kabul edilebileceği anlamına gelir.

#4. Durağan Olmayan Zaman Serileri

Durağan olmayan bir seride istatistiksel özellikler zamanla değişir. Bu nedenle, trend ve mevsimsellik, zaman serisinin değerini farklı zaman aralıklarında etkileyebileceğinden, trendleri veya mevsimselliği olan zaman serileri durağan olmayan kategoriye girer. Durağan olmayan zaman serileri, tahmin edilemeyen verileri açıklar ve modellenmesini veya tahmin edilmesini engeller.

Zaman Serileri Analizi ve Tahmini

Zaman serisi analizi ve tahmini, hayati süreçlerin ve farklı türdeki nesnelerin evrimini ve dinamiklerini gözlemlemek, analiz etmek ve incelemek için kullanışlı araçlardır. Her birine daha derinlemesine bakalım.

Zaman serisi analizi

Zaman serisi analizi, belirli bir süre boyunca toplanan verilerin analiz edilmesi süreci olarak tanımlanır. Burada, veri analistleri verileri sabit bir süre boyunca sabit aralıklarla kaydeder. Veri gözlem oranı yani zaman aralığı saniyelerden yıllara kadar değişebilir.

Zaman serisi verileri, belirli bir zaman aralığında dalgalanan modelin ayrıntılı bir analizini sağladığından, inceleme altındaki değişkenleri tanımlar. Analiz için gerekli parametreler farklı alanlar ve disiplinler arasında değişebilir. Örneklerden bazıları şunları içerebilir:

• Bilimsel araçlar – Günlük kaydedilen veriler
• Ticari web sitesi – Günlük müşteri ziyareti
• Borsa – Haftalık hisse değerleri
• Sezon – Yılda yağmurlu günler

Tutarlılık ve güvenilirliği sağlamak için zaman serisi analizi, büyük miktarda veri noktasında çalışır. İyi bir örnek boyutu, keşfedilen bir trendin veya kalıbın gerçekliğinin ince bir temsilidir.

Ek olarak, zaman serisi analizi, geçmişte kaydedilen verilere dayalı olarak gelecekteki olayları tahmin etmek için de uygundur.

Zaman Serisi Tahmini

Zaman serisi analizi, kuruluşların zaman içindeki trendlerdeki dalgalanmaların temel nedenini belirlemesine olanak tanır. İşletmeler, eldeki verilerle daha sonra, alışılmadık eğilimleri nasıl ele alacaklarını ve yaklaşan olayları nasıl tahmin edeceklerini daha iyi anlamak için daha fazla çalışma ve araştırma yapabilir. Şirketler, verilerdeki bu tür anormallikleri belirlemek için genellikle veri görselleştirme tekniklerini kullanır.

Zaman serisi tahmini, iki temel faktör etrafında döner:

1. Geçmişteki veri davranışına dayalı olarak gelecekteki olayları tahmin edin.
2. Gelecek eğilimlerin geçmiş veri modeliyle benzerlikler taşıyacağını varsayın.

Tahminde, birincil amaç, veri noktalarının gelecekte nasıl aynı kalmaya veya değişmeye devam edeceğini esasen tahmin etmektir. Zaman serisi analizi ve tahminlerinin nüanslarını daha iyi anlamak için farklı endüstri sektörlerinden bazı örnekler.

• Borsa – Her gün kapanış hisse senedi fiyatını tahmin etmek.
• Satışlar – Her gün bir mağaza için ürün satışlarını tahmin edin.
• Fiyatlandırma – Her gün ortalama yakıt fiyatını tahmin etmek.

Zaman serisi tahmini için kullanılan yaygın istatistiksel tekniklerden bazıları, basit hareketli ortalama (SMA), üstel yumuşatma (SES), otoregresif entegre hareketli ortalama (ARIMA) ve sinir ağı (NN) içerir.

Buluttaki Zaman Serisi Verileri

İşletmeler, zaman serisi verilerinin değerini ortaya çıkarmak için verileri hızlı bir şekilde depolayabilmeli ve sorgulayabilmelidir. Sermaye piyasası şirketleri, gerçek zamanlı veri analitiğini kullanmak ve etkili iş kararları almak için büyük hacimli geçmiş ve akış verilerine güvenir. Bu, hisse senedi fiyatlarındaki kırılganlığın tahmin edilmesini, net sermaye gereksinimlerinin belirlenmesini veya döviz kurlarının tahmin edilmesini içerebilir. Esneklik sağlamak ve verileri sorunsuz bir şekilde işlemek için birçok firma zaman serisi veritabanlarını buluta taşımayı tercih ediyor.

Zaman serisi veritabanlarının bulutlara taşınmasıyla, kuruluşlar talep üzerine sınırsız kaynağa erişebilir. Firmaların, gecikme sorunları olmadan ağ verimini en üst düzeye çıkaran görevlerini yerine getirmek için yüzlerce çekirdeği kullanmalarına olanak tanır.

Bulut altyapısındaki zaman serisi veritabanları, bilgi işlem yoğun iş yükleri için uygundur. Bu, gerçek zamanlı piyasa eğilimlerine yanıt olarak risk hesaplamaları yapmayı içerir. Finansal firmalar, veri merkezi ek yükünü ortadan kaldırabilir ve iş yüklerinin verimliliğini artırmak için kaynakları kullanmaya sıfırlayabilir.

AWS gibi bulut satıcıları, zaman serisi veri kümelerinin kolay yüklenmesine, depolanmasına ve analizine olanak tanıyan bir zaman serisi veritabanı hizmeti olan Amazon Timestream'i sağlar. Yoğun işlem gerektiren iş yüklerini yönetmek için depolama, gerçek zamanlı analiz araçları ve olayları meydana geldikleri zaman ve zamanda öne çıkarmak için veri akışı işlevselliği sunarlar.

Bu nedenle, bulut altyapısı, zaman serisi verilerinin faydalarını güçlendirir ve ölçeklendirir.

Zaman Serilerinin Uygulamaları

Zaman serisi modelleri iki amaca hizmet eder,

1. Belirli bir veri kalıbı oluşturan temel faktörleri anlayın.
2. Analize dayalı olarak, tahmin etmek ve izlemek için bir model takın.

Zaman serisi verilerinin uygulama kullanım durumlarından bazılarına bakalım.

#1. Finans ve İş Alanında Zaman Serileri

Tüm finans, iş ve yatırım kararları, mevcut piyasa eğilimlerine ve talep tahminlerine dayalı olarak alınır. Zaman serisi verileri, dinamik finansal piyasayı açıklamak, ilişkilendirmek ve tahmin etmek için kullanılır. Mali uzmanlar, riskin azaltılmasına, fiyatlandırmanın ve ticaretin dengelenmesine yardımcı olan uygulamalar için tahminler vermek üzere mali verileri inceleyebilir.

Zaman serisi analizi, finansal analizde önemli bir rol oynar. Faiz oranı tahmininde, hisse senedi piyasalarındaki oynaklığı tahmin etmede ve daha pek çok alanda kullanılır. İş paydaşları ve politika yapıcılar, üretim, satın alma, kaynak tahsisi hakkında bilinçli kararlar verebilir ve iş operasyonlarını optimize edebilir.

Bu analiz, yatırım sektöründe menkul kıymet oranlarını ve zaman içindeki dalgalanmalarını izlemek için etkin bir şekilde kullanılmaktadır. Menkul kıymet fiyatı, kısa vadeli (yani, saat veya gün başına veri kaydı) veya uzun vadeli (yani, aylar veya yıllara yayılan gözlem) için de gözlemlenebilir. Zaman serisi analizi, bir menkul kıymetin, varlığın veya ekonomik değişkenin uzun bir süre boyunca nasıl performans gösterdiğini izlemek için kullanışlı bir araçtır.

#2. Tıp Alanında Zaman Serileri

Sağlık hizmetleri, veri odaklı bir alan olarak hızla ortaya çıkıyor. Finansal ve iş analizine ek olarak, tıbbi alan zaman serisi analizinden büyük ölçüde yararlanıyor.

Kanser hastalarını tedavi ederken zaman serisi verilerinin, tıbbi olarak uyumlu prosedürlerin ve veri madenciliği tekniklerinin sinerjisini gerektiren bir senaryo düşünün. Bu tür bir hibrit çerçeve, hastanın ilerlemesini ve tıbbi birlik tarafından sağlanan tedavilere tepkisini izlemek için toplanan zaman serisi verilerinden (yani hastanın röntgen görüntüleri) özellik çıkarma işlevselliklerinden yararlanmak için kullanılabilir.

Sağlık sektöründe sürekli değişen zaman serisi verilerinden çıkarımlar yapmak kritik öneme sahiptir. Ek olarak, gelişmiş tıbbi uygulamalar, hastanın sağlığının daha iyi görülebilmesi için hasta kayıtlarının zaman içinde birbirine bağlanmasını gerektirir. Ayrıca, hastanın sağlık durumunun daha net bir resmini elde etmek için hastanın sağlık parametreleri düzenli aralıklarla tam olarak kaydedilmelidir.

Gelişmiş tıbbi cihazların öne çıkmasıyla birlikte, zaman serisi analizi sağlık alanında kendini kanıtlamıştır. Aşağıdaki örnekleri inceleyin,

• EKG cihazları: Kalbin elektriksel nabızlarını kaydederek kalp rahatsızlıklarını izlemek için icat edilen cihazlar.
• EEG cihazları: Beyindeki elektriksel aktiviteyi ölçmek için kullanılan cihazlar.

Bu tür cihazlar, tıp pratisyenlerinin daha hızlı, etkili ve doğru tıbbi teşhis için zaman serisi analizi yapmasına izin verdi.

Ek olarak, giyilebilir sensörler ve taşınabilir sağlık cihazları gibi IoT cihazlarının ortaya çıkmasıyla birlikte, insanlar artık minimum girdi ile zaman içinde sağlık değişkenlerinin düzenli ölçümlerini alabilirler. Bu, hem hasta hem de sağlıklı bireyler için zamana bağlı tıbbi verilerin tutarlı bir şekilde toplanmasına yol açar.

#3. Astronomide Zaman Serileri

Astronomi ve astrofizik, zaman serisi verilerinden önemli ölçüde yararlanılan iki modern disiplindir.

Temel olarak astronomi, kozmik nesnelerin yörüngelerini ve gök cisimlerini çizmeyi ve dünya atmosferinin ötesindeki evreni daha iyi anlamak için doğru ölçümler yapmayı içerir. Bu gereklilik nedeniyle, astronomik uzmanlar, karmaşık enstrümanları kalibre ederken ve yapılandırırken ve astronomik ilgi nesnelerini incelerken zaman serisi verilerini işleme konusunda yetkindir.

Zaman serisi verileri uzun zamandır astronomi alanıyla ilişkilendirilmiştir. MÖ 800'de güneş lekesi zaman serisi verileri düzenli aralıklarla toplandı. O zamandan beri, zaman serisi analizi kullanıldı.

• Yıldız mesafelerine göre uzaktaki yıldızları keşfedin,
• Evrenimizin kökenini daha iyi anlamak için süpernova gibi kozmik olayları gözlemleyin.

Bu durumda zaman serisi verileri, yıldızlar, gök cisimleri veya nesneler tarafından verilen ışığın dalga boyları ve yoğunlukları ile ilgilidir. Gökbilimciler, kozmik olayları meydana geldikleri anda ve gerçek zamanlı olarak tespit etmek için bu tür canlı akış verilerini sürekli olarak izlerler.

Son zamanlarda, veri madenciliği, makine öğrenmesi, hesaplamalı zeka ve istatistik gibi çeşitli disiplinleri harmanlayan astroinformatik ve astroistatistik gibi araştırma alanları ortaya çıkmıştır. Bu yeni araştırma alanlarında, zaman serisi verilerinin rolü, astronomik nesneleri hızlı ve verimli bir şekilde tespit etmek ve sınıflandırmaktır.

#4. Hava Tahmininde Zaman Serileri

Aristoteles, eski zamanlarda hava değişimlerinde gözlenen neden ve etkileri daha iyi anlamak için hava modellerini kapsamlı bir şekilde inceledi. Günler geçtikçe bilim adamları, atmosferik değişkenleri hesaplamak için "barometre" gibi araçlara hava durumuyla ilgili verileri kaydetmeye başladılar. Veriler düzenli aralıklarla toplanmış ve farklı yerlerde tutulmuştur.

Zamanla, sonunda, hava durumu tahminleri gazetelerde yer almaya başladı. Günümüze ve çağına hızlı bir şekilde ilerleyin, doğru hava değişkenlerini toplamak için dünyanın farklı coğrafyalarında her yerde bulunan hava tahmin istasyonları kurulur.

Bu tür istasyonlar, çeşitli konumlardan hava durumu verilerini toplamak ve ilişkilendirmek için birbirine bağlı gelişmiş işlevsel cihazlara sahiptir. İlişkili veriler, gereksinimlere bağlı olarak her zaman örneğinde hava koşullarını tahmin etmek için kullanılır.

#5. İş Geliştirmede Zaman Serileri

Zaman serisi verileri, işletmelerin iş kararları vermelerini sağlar. Bu, süreç gelecekteki olayları türetmek ve olası olasılıklara ışık tutmak için geçmiş verileri analiz ederken elde edilir. Geçmiş veri modeli aşağıdaki parametreleri türetmek için kullanılır:

• İş büyümesi : Genel finansal ve iş performansını değerlendirmek ve büyümeyi ölçmek için zaman serisi verileri en uygun ve güvenilir varlıktır.

• Trend tahmini : Ortaya çıkan trendleri tahmin etmek için çeşitli zaman serisi yöntemleri kullanılabilir. Örneğin, bu yöntemlerin belirli bir elektronik cihazın satışlarındaki artış veya azalmayı yansıtmak için belirli bir süre boyunca veri gözlemlerini analiz ettiğini düşünün.

• Mevsimsel kalıpları ortaya çıkarın : Kaydedilen veri noktaları, veri tahminine yardımcı olabilecek dalgalanmaları ve mevsimsel kalıpları ortaya çıkarabilir. Elde edilen veriler, ürün fiyatlarının mevsimsel olarak dalgalandığı pazarlar için kilit rol oynamaktadır. Bu tür veriler, işletmelere daha iyi ürün planlama ve geliştirme konusunda yardımcı olabilir.

Çözüm

Özetle, zaman serisi verileri, sabit bir süre boyunca toplanan karmaşık veri noktalarının özellikleri olarak görülebilir. Zaman serisi analizi, modelleme ve tahmin, IoT cihazlarının, akıllı ev aletlerinin ve taşınabilir cihazların ortaya çıkmasıyla günlük hayatımızın ayrılmaz bir parçası haline geldi. Ayrıca, zaman serisi verileri, sağlık, astrofizik, ekonomi, mühendislik, işletme ve daha pek çok alanda uygulamalarını buluyor.