Odak: Makine Öğrenmesi ve Zaman Serisi Odaklı Karar Destek Sistemi
Kapsam: TCMB bünyesinde 6 kupür için ulusal ve bölgesel ölçekte talep tahmini
Açıklama
Bu çalışma TCMB bünyesinde geliştirilen, gerçek verilerle eğitilmiş ve doğrulanmış yapay zeka destekli bir talep tahminleme sistemidir.
Sistem, istatistiksel zaman serisi yöntemleri ile makine öğrenmesi modellerini bir araya getirerek hem yorumlanabilirlik hem de adaptif öğrenme sağlayan hibrit bir yapı üzerine kurulmuştur.
Problem
Banknot talebi:
• mevsimsel etkiler
• kullanıcı davranışları
• makroekonomik dalgalanmalar
nedeniyle yüksek oynaklık gösterir.
Geleneksel ve sezgisel tahmin yöntemleri:
• kararsız sonuçlar üretir
• değişken talep koşullarında güvenilir sinyal sağlayamaz
• stratejik planlama süreçlerini zorlaştırır
Çözüm
• Sinir ağları (LSTM, MLP/FNN, TLNN) ile adaptif öğrenme
• SARIMA ile istatistiksel referans model ve yorumlanabilirlik
• Çoklu eğitim (multi-run) yaklaşımı ile model stabilitesi
• Medyan-seed değerlendirme ile güvenilir performans ölçümü
• Sadece geçmiş veriye dayalı (leakage-safe) eğitim yapısı
• Ayrı eğitim/doğrulama/test setleri ile sağlam doğrulama
• 48 model (2 ölçek × 4 model × 6 kupür) ile kapsamlı karşılaştırma
Etki
• %97’ye kadar doğruluk (1 − SMAPE, medyan-seed)
• Tekil en iyi sonuç yerine stabil ve tekrarlanabilir tahminler
• Volatil kupürlerde SARIMA’ya göre daha güçlü performans
• 12 aylık tahminler ve güven aralıkları ile planlama desteği
• Nakit lojistiği ve üretim kararları için güvenilir çıktı
Teknolojiler
Python · TensorFlow · Keras · Statsmodels · Pandas · NumPy · Scikit-learn · Matplotlib
Bağlantılar
• GitHub (anonimleştirilmiş kaynak kodlar)
• TCMB Uzmanlık Tezi
Teşekkürler
Rica ederim.