Uyarlanabilir Kayan Pencere Boyutu Temelli Ardışık Öğrenme ile LSTM, GRU ve Transformatör Modellerinin Finansal Zaman Serisi Tahmininde Kullanılması
Savunma Bilimleri Dergisi, cilt.22, sa.1, ss.97-108, 2026 (TRDizin)
- Yayın Türü: Makale / Tam Makale
- Cilt numarası: 22 Sayı: 1
- Basım Tarihi: 2026
- Doi Numarası: 10.17134/khosbd.1774200
- Dergi Adı: Savunma Bilimleri Dergisi
- Derginin Tarandığı İndeksler: TR DİZİN (ULAKBİM)
- Sayfa Sayıları: ss.97-108
- Yıldız Teknik Üniversitesi Adresli: Evet
Özet
Derin öğrenme modellerinin çevrimiçi tahmin performansını iyileştirmek için bulanık mantığa dayalı kayan pencere boyutunun uygun biçimde ayarlanması için yeni bir yöntem önerilmektedir. Çalışmanın ana katkıları: i) LSTM, GRU ve transformatör modellerini sabit pencere uzunluğuna sahip stokastik gradyan inişli öğrenme ile eğitilmiştir. ii) Bir bulanık mantık modeli önerilmiş ve her örnek indeksinde hesaplanan performans değerlerine göre en uygun kayan pencere boyutu seçilmiştir. Önerilen bu yöntem ile kayan pencerenin boyutu otomatik olarak ayarlanmaktadır. Bulanık kural tabanı, çevrimdışı eğitim verilerinin ortalama mutlak hata yüzdesi (MAPE) performansına dayalı olarak oluşturulur. iii) Sabit pencere uzunluğu ile elde edilen en iyi ve en kötü performanslı modeller, bulanık mantık kayan pencere boyutu ile yeniden tasarlanır performans sonuçları önerilen yöntemin avantajını göstermektedir.
A novel method for intelligent tuning of the sliding window size based on fuzzy logic is proposed to improve the online prediction performance of deep learning models. The main contributions of the study are: i) The well-known stochastic gradient-descent learning with fixed window lengths were used to train LSTM, GRU and transformer models. ii) A fuzzy logic model is proposed, and the optimal sliding window size is selected based on the performance values calculated at each sample index. The size of the sliding window is tuned automatically. Fuzzy rule base is constructed based on the mean absolute percentage error performance of offline training data. iii) The best and worst-performing models obtained with fixed window length are redesigned with fuzzy logic sliding window size, and their performances show the advantage of using the proposed method.