Price forecasting with deep learning in business to consumer markets
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: İngilizce
Öğrenci: EMRE EĞRİBOZ
Danışman: Mehmet Sıddık Aktaş
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Fiyat tahminleme, piyasalarda satışa tabi bir ürün veya hizmetin mali olarak belirlenen değerini yaklaşık olarak kestirmektir. Probleme bağlı olarak farklı zaman çözünürlüklerinde ele alınan fiyat tahminleme, kısa, orta ve uzun vadedeki gelecek zamanlar için yapılabilir. Ayrıca fiyat tahminleme, fazla sayıda araştırmacı ve işletme tarafından çeşitli piyasalar için akademik veya profesyonel çalışmalar yürütülen zorlayıcı, önemli ve temel bir problemdir. Farklı piyasalarda fiyat tahmini için yapılan literatüre geçmiş çalışmalar çeşitli geleneksel yöntemler ve derin öğrenme yöntemleri kullanır. Bu çalışmalarda, araştırmacılar tahmin yapabilmek için yöntem fark etmeksizin tarihsel verilerinden faydalanarak tahminleyici modeller oluştururlar. Çalışmamızda, tarihsel verileri kullanarak derin öğrenme temelli yöntemlerle fiyat indeksi tahminlemesi yapmak için veri toplama ve veri işleme iş akışlarını içeren bir metodoloji önermekteyiz. Önerdiğimiz metodolojiyi, veri toplama ve ileri analitik uygulamaları hazırlayarak gerçeklemekteyiz. İş akışlarımızı, işletmeden tüketiciye piyasalarının bir örneği olan havayolu yolcu taşımacılığı sektöründe işletmeler tarafından tüketicilere pazarlanan uçak bileti fiyatlarını kullanacak şekilde çalıştırmaktayız. Veri toplama uygulamasında farklı havayolu işletmecisi firmaların bilet fiyatı verilerini günlük periyotta ağ kazıyıcı ile belirli bir süre topladık. Veri işleme uygulamasında toplanan zaman serisi verileri önişleme adımında tekilleştirdik, eksiklerini tamamladık ve fiyat indeksi oluşturduk; daha sonra matematiksel yöntemlerle teknik indikatörleri hesapladık; gürültüleri giderdik; çeşitli otokodlayıcılar ile derin öznitelikleri çıkardık; ardından bir derin öğrenme ağı ile fiyat tahminleme modelleri ürettik; sonunda, gürültü gidermenin, otokodlayıcı tiplerinin ve teknik indikatörlerin performansa olan etkilerini, üretilen modelleri test ederek ölçtük. Yaptığımız deneyler, B2C piyasasında gürültüsü giderilmiş zaman serisi verilerden otokodlayıcılarla üretilmiş derin özniteliklerin ve teknik indikatörlerin fiyat tahminleme için kullanılmasının umut verici sonuçlar ürettiğini gösterir.