Zaman Serisi Tahminlemede Derin Öğrenme ve Temel Modellerin Karşılaştırmalı Analizi

Bu proje, yüksek frekanslı ve gürültülü (noisy) saatlik zaman serisi tahminlemesinde; özelleştirilmiş derin öğrenme mimarileri (N-BEATS), önceden eğitilmiş büyük Zaman Serisi Temel Modelleri (Amazon Chronos) ve geleneksel istatistiksel baz modellerin (Seasonal Naive) karşılaştırmalı analizini içermektedir.

A. Veri Seti

Kullanılan veri seti UCI Amazon Product and Google Locations Reviews saatlik (hourly) verisidir. Veri seti, sıklıkla sıfır değerleri içeren (sparse) ve günün belirli saatlerinde yüksek varyans gösteren, insan davranışının periyodik ritimlerini barındıran zorlu bir yapıya sahiptir.

B. Proje Hedefleri

• Foundation Models vs Fine-Tuned Models: Hiç eğitim almadan sıfır-atış (Zero-Shot) yapan Amazon Chronos ile veri setine özel olarak eğitilen N-BEATS mimarisinin performans kıyaslaması.
• Baseline Kritikliği: Klasik ARIMA modelinin saatlik yüksek gürültülü verilerde matematiksel yakınsama (convergence) hataları vererek çökmesi üzerine, en dürüst kıyaslama noktası olarak Seasonal Naive modelinin kullanılması ve verideki 24 saatlik periyodik döngünün gücünün ispatlanması.
• Operasyonel Verimlilik ve Donanım Analizi: Modellerin noktasal doğruluklarının (WAPE, RMSE) yanı sıra eğitim/çıkarım süreleri ve donanım (VRAM/CPU) maliyetlerinin incelenmesi.

C. Kurulum ve Donanım

Deneyler, CUDA hızlandırması ile yerel bir Linux ortamında NVIDIA GTX 1660 Ti (6GB VRAM) kullanılarak gerçekleştirilmiştir. Chronos'un çıkarım aşamasında OOM (Out of Memory) hatalarını önlemek için batching (batch_size=32) ve context limiting (512 saat) stratejileri uygulanmıştır.

Kullanılan temel kütüphaneler (NeuralForecast, StatsForecast, PyTorch) ve diğer gereksinimleri yüklemek için:

pip install -r requirements.txt

D. Ana Bulgular ve Model Performansları

Modellerin 24 saatlik tahmin ufku üzerindeki noktasal hata metrikleri (Accuracy) aşağıda sunulmuştur:

Model	WAPE (%)	Global RMSE	Süre (Donanım)
N-BEATS (Eğitilmiş)	%14.47	20.71	17.8 sn (1660 Ti)
Seasonal Naive (Baseline)	%14.66	21.90	0.7 sn (CPU)
Chronos (Zero-Shot)	%15.29	24.28	5.4 sn (1660 Ti)
Naive (Düz)	%52.02	84.22	0.7 sn (CPU)

E. Olasılıksal Kalibrasyon ve Güvenilirlik (Beyond Accuracy)

TSFM'lerin (Zaman Serisi Temel Modelleri) tahminlerinde aşırı özgüvenli (overconfident) olma sorununu analiz etmek adına modellerin %90 güven aralıkları (Prediction Intervals) çıkarılmış ve CCE/PCE skorları hesaplanmıştır:

Model	Ampirik Kapsama (Hedef: %90)	PCE Skoru (↓)	CCE Skoru (↓)	SIW Skoru (↓)
N-BEATS	%95.71	0.0571	0.0812	1.4694
Chronos (TSFM)	%96.88	0.0688	0.1034	1.7397

Sonuç: Chronos modeli, veriyi hiç görmemesine rağmen temkinli (geniş aralıklı) ve güvenilir bir profil sergilemiştir. Ancak N-BEATS mimarisi en dar aralığı üreterek (SIW: 1.46) belirsizliği çok daha yüksek bir dürüstlükle (CCE: 0.0812) yönetmeyi başarmıştır.

F. Çalıştırma Sırası (Usage)

Deneyleri tekrarlamak veya metrikleri incelemek için sırasıyla şu adımları izleyebilirsiniz:

1. nbeats_experiment.py / chronos_zeroshot.py / arima_experiment.py
2. get_all_rmse.py
3. calibration_metrics.py
4. plot_baselines.py