Univariate Time-Series Analysis

Tek bir değişkenin tahmin değerlerini oluşturmak için kullanılır. Bu yöntem, özellikle geçmiş veri noktaları mevcut olduğunda tercih edilir.

Veri İnceleme ve Projeksiyon Sistemi Metodolojisi:

2. Verilerin Görüntülenmesi Temizleme/engineering sonrası İhtiyaç kategorilerinin total ihtiyaç girişinin zaman içindeki değişimi görüntülenmektedir. Bunun akabininde o verilerin time series object olarak kodlanıp görüntülenmiş halleri bulunmaktadır.

3. Zaman serisi nesnesi olarak kodlanması.

4. Stationarity kontrolü ve ADF testi. Bir veri setinin istatistiksel özelliklerinin zamanla değişmediğinden emin olmak için, stationarity kontrolü yapılır zaman serisi analizinde. Bir zaman serisinin ortalaması, varyansı ve otokorelasyonu sabit kaldığında, model tahminleri daha kolay yapılır. 2019-2024 boyunca istikrarlı olarak veri girişinin yapıldığı kategorilerde (Elektronik Alet, Eğitim, Temizlik Hijyen, Giyim Kıyafet, Ev Eşyası, Sokak Hayvanları, Bebek & Çocuk, Spor, Kültür Sanat, Sağlık) bu test başarılı oldu.

5. Mevsimsel analiz ve bileşenlerin ayrılması. Zaman serisinin üç temel bileşeni belirlenir: trend, mevsimsellik ve kalıntılar. Uzun vadeli hareket veya yön trend ile temsil edilir, düzenli aralıklarla tekrarlayan desenler mevsimsellik ile yakalanır ve rastgele dalgalanmalar kalıntılar ile yakalanır. Mevsimselliğin daha geniş trendlerden ve anormalliklerden ayrılması, çeşitli bileşenlerin özel katkılarını anlamayı sağlar ve daha doğru analiz ve tahminler yapılmasına olanak tanır.

6. Düzleştirme ve Özetleme. PACF, ACF, Rolling ve Aggregation ile yapılacak projeksiyonun isabetini arttırmaya çalışmak.

   • Rolling: Düzleştirilmiş değerlere odaklanarak daha istikrarlı ve güvenilir tahminler oluşturulmasına yardımcı olur.
   • Aggregations: Uzun vadeli eğilimleri ve pattern’ları belirlemek ve modellemek için birleştirilmiş verileri kullanarak tahmin modellerinin doğruluğunu artırır.
   • ACF ve PACF: Tahmin modellerine dahil edilmesi gereken uygun gecikmeler hakkında bilgiler sağlar, bu da modelin doğruluğunu artırır.

7. (S)ARIMA modeli ile projeksiyon/tahminleme (S)ARIMA, zaman serisi verilerinde mevsimsel ve mevsimsel olmayan bileşenleri modelleyerek tahminleme yapan güçlü bir tekniktir. ARIMA (Autoregressive Integrated Moving Average) modeli, serinin geçmiş değerlerine ve hata terimlerine dayanarak gelecekteki değerleri tahmin eder. SARIMA (Seasonal ARIMA) modeli ise mevsimsel bileşenleri de dikkate alarak daha kapsamlı bir tahminleme sağlar.