Zaman Serisi Temel Modelleri: Kullanım Alanları ve Faydaları

Zaman serisi temel modelleri (TSFM'ler); her dataset veya sektör için ayrı bir model gerektirmeden zaman serisi verilerinde tahminleme, sınıflandırma, eksik veri tamamlama ve anomali tespiti yapan önceden eğitilmiş modellerdir. TSFM'ler; finans, perakende, enerji ve sağlık gibi alanlarda genelleme yapmak için transformer tabanlı mimariler ve büyük ölçekli zaman serisi dataset'lerini kullanır.

Zaman serisi temel modellerinin mimarisini, kullanım alanlarını, sektörlerdeki benimsenmesini, faydalarını, zorluklarını ve mevcut modellerle karşılaştırmalarını keşfedin:

Zaman Serisi Temel Modelleri Nelerdir?

TSFM'ler, temel model eğitim yöntemlerini sıralı sayısal verilere uygular ve büyük zaman serisi koleksiyonlarından zamansal örüntüleri öğrenebilen mimariler kullanır. Her tahmin problemi için ayrı bir model eğitmek yerine; tahminleme, anomali tespiti, eksik veri tamamlama ve sınıflandırma gibi görevlere uyarlanabilirler.

Önde gelen TSFM'ler şunlardır:

Amazon Chronos-2

Amazon Chronos-2, T5 encoder mimarisinden türetilen yalnızca encoder içeren bir modeldir ve Hugging Face üzerinde on milyonlarca indirmeye ulaşmıştır.¹

Salesforce Moirai-2

Salesforce Moirai-2, 27 milyar gözlemli LOTSA dataset'i üzerinde eğitilmiş yalnızca decoder içeren bir transformer mimarisi kullanır.

Sundial

Sundial, Tsinghua Üniversitesi'ndeki araştırmacılar tarafından geliştirilmiştir ve TimeBench dataset'inde pazar lideri sonuçlara sahiptir.

TimesFM-2.5

TimesFM-2.5, TimesFM serisindeki Google'ın en yeni modelidir. Yaklaşık 200M parametreye ve 16k bağlam uzunluğuna sahip, gerçek dünya zaman serisi veri noktalarından oluşan bir külliyat üzerinde eğitilmiş bir önceden eğitilmiş modeldir. ² Büyük dil modelleri (LLM's) ile karşılaştırıldığında, kompakt boyut, hızlı inference ve zaman serisi verilerine odaklanma sağlar.

Mimari ve eğitim

TimesFM, dil modellerinden yalnızca decoder içeren transformer mimarisini ödünç alır: yığılmış nedensel self-attention ve ileri beslemeli katmanlar, geçmiş bağlama koşullu olarak bir sonraki çıktıyı üretir.

Metinden farklı olarak model, bir diziyi bitişik zaman noktalarından oluşan patch'ler olarak temsil eder; her patch (bir MLP artık bloğu ve konumsal kodlamalar aracılığıyla) gömülür ve bir token olarak ele alınır. Önemli bir tasarım tercihi, çıktı patch uzunluğunun girdi patch'inden daha uzun olmasını öngörmektir; bu, inference sırasında yinelemeli adımları azaltır ve uzun ufuklarda hata birikimini sınırlar.

Model eğitimi için, Google, temel zamansal “dil bilgisini” öğretmek amacıyla sentetik verileri gerçek serilerden oluşan büyük ve çeşitli bir dataset ile (örn. Google Trends ve Wikipedia Pageviews) karıştırarak transferi iyileştirir. Toplam ön eğitim ölçeği 100B zaman noktası mertebesindedir.

Şekil 1: TimesFM'nin mimarisini gösteren grafik.³

Değerlendirme ve sonuçlar

Google, TimesFM'yi genel benchmark'larda saf zero-shot modunda değerlendirdi. Monash Forecasting Archive'de TimesFM, çoğu istatistiksel modelden (ör. ARIMA, ETS) daha iyi performans gösterir ve hedef seri üzerinde eğitilmiş birkaç derin öğrenme temel çizgisiyle eşleşir veya onları aşar.

Uzun ufuklu görevlerde (örn. ETT dataset'leri), TimesFM'nin zero-shot doğruluğu denetimli temel çizgilerle (örn. her dataset için eğitilmiş PatchTST) rekabet eder ve prompt tabanlı LLM tahmincilerini geçer. Metrikler, dataset'ler genelinde ölçeklendirilmiş MAE ve geometrik ortalama özetlerini içerir.³

TSFM'lerin temel özellikleri ve mimarisi

TSFM'lerin transformer mimarisi; uzun menzilli bağımlılıkları ve mevsimsellik örüntülerini modellemek için self-attention, artık bağlantılar ve doğrusal katmanlar kullanır. Girdi patch'leri, çok katmanlı bir perceptron aracılığıyla embedding'lere dönüştürülür; konumsal kodlamalar ise zamansal sırayı korur.

Diğer temel modellerle karşılaştırıldığında bu mimariler, metin veya görüntü işleme yerine tahmin görevleri için uyarlanmıştır.

Şekil 2: Farklı uyarlama tekniklerini gösteren diyagram.⁴

Birincil kullanım alanları nelerdir?

Tahminleme

TSFM'ler, geçmiş zaman serisi değerlerini ve model tarafından desteklendiğinde hava durumu, promosyonlar, tatiller veya diğer değişkenler gibi ek girdileri kullanır. Bu, tek bir hedef seriye güvenmek yerine birden çok sinyal arasındaki ilişkileri modellemelerine olanak tanır.

Sınıflandırma

TSFM'ler, tıbbi verilerdeki aritmiler veya perakendede olağandışı talep zirveleri gibi karakteristik yapıları tanımak için transformer tabanlı modeller kullanır.

Eksik veri tamamlama

TSFM'ler, birleşik eğitim sırasında çeşitli dataset'lerden öğrenilen örüntülerden yararlanarak eksik aralıkları yeniden oluşturur.

Basit interpolasyondan farklı olarak mevsimsellik ve eğilimlerle tutarlılığı korurlar. Uygulamalar arasında enerji kullanım kayıtlarındaki veya tıbbi izleme verilerindeki boşlukların doldurulması yer alır; burada eksik bilgiler, aşağı akış tahmin görevlerini etkileyebilir.

Anomaly tespiti

TSFM'ler, öğrendikleri zaman serisi temsillerini veya yeniden yapılandırma çıktılarını anomali skorlarına dönüştürerek anomali tespitini destekleyebilir. Örneğin MOMENT, gözlemlenen ve tahmin edilen zaman serisi arasındaki ortalama kare hatasının anomali kriteri olarak kullanıldığı yeniden yapılandırma tabanlı bir kurulum kullanır.⁵

Bu yaklaşım, göreve özgü anomali etiketlerine duyulan ihtiyacı azaltabilir; ancak her dataset için geleneksel anomali tespit yöntemleriyle yine de benchmark edilmelidir.

TSFM'leri benimseyen sektörler

Perakende

Perakende alanında TSFM'ler, satış örüntülerinin tatiller, fiyatlandırma, promosyonlar, stok tükenmeleri ve bölgesel mevsimsellik nedeniyle değişebildiği SKU veya mağaza düzeyindeki talep tahmini için öncelikle önemlidir.

Bu modellerin kullanışlılığı, modelin dış değişkenleri destekleyip desteklemediğine bağlıdır. Örneğin TimeGPT; fiyatlar, promosyonlar ve tatil göstergeleri gibi dışsal değişkenleri kullanabilir.⁶

Diğer bir örnek olan Lag-Llama, tek değişkenli olasılıksal bir tahmin modeli olarak tasarlanmıştır. Bu, TSFM'lerin her zaman perakendeye özgü etkenleri içeren tek bir sınıf olarak tanımlanmaması gerektiği anlamına gelir.⁷

Daha pratik bir perakende kullanım alanı, TSFM'leri talep dataset'lerinde yeniden kullanılabilir tahmin temel çizgileri olarak test etmek ve dağıtımdan önce mevcut istatistiksel, makine öğrenimi veya alana özgü tahmin modelleriyle karşılaştırmaktır.

Finans

Finansal zaman serilerinde TSFM'ler, geçmiş verilerin sınırlı, gürültülü olduğu veya rejim değişikliklerinden etkilendiği görevlerde en fazla önem taşır. Bunlar arasında yeni listelenen varlıkların tahmin edilmesi, kısa vadeli oynaklığın tahmini ve olağandışı işlemlerin veya piyasa örüntülerinin belirlenmesi yer alır.

ARIMA, GARCH veya LSTM tabanlı tahminciler gibi tek piyasa modelleri; faiz oranı değişiklikleri, likidite şokları, makroekonomik duyurular veya piyasa stres olayları sonrasında veri dağılımı değiştiğinde daha az güvenilir hale gelebilir. TSFM'ler, daha geniş zaman serisi dataset'lerinden öğrenilen örüntüleri transfer ederek bu sınırlamayı ele alır; ancak finansal veriler yüksek oranda durağan olmadığından çıktıları yine de geriye dönük test (backtesting) gerektirir.

Potansiyel finans kullanım alanları arasında varlık fiyatı tahmini, oynaklık tahmini, portföy riski izleme ve dolandırıcılık veya işlem anomali tespiti yer alır.

Sağlık

TSFM'ler, hem klinik hem de sentetik verilerden öğrenerek hastaya özgü temel değerlere uyum sağlayan erken uyarı sistemlerini mümkün kılar. İzlemenin ötesinde, büyük dataset'ler genelinde ince zamansal örüntüleri belirleyerek ilaç denemelerinde araştırma ve keşfi destekler.

Enerji

Sabit mevsimsel örüntüler varsayan geleneksel yöntemlerden farklı olarak TSFM'ler, yenilenebilir üretim gibi değişken koşulları ele alır.

Tüketim geçmişlerini sıcaklık ve rüzgar hızı gibi dışsal değişkenlerle birleştirerek şebeke dengeleme için olasılıksal zaman serisi tahmin çıktıları üretirler. Burada hesaplama verimliliği önemlidir; çünkü küçük zaman karıştırıcılar daha düşük maliyetle yerelleştirilmiş tahminler sağlar. Daha fazla bilgi için sürdürülebilirlik yapay zeka uygulamalarını inceleyin.

Ulaşım

Çeşitli dataset'ler üzerinde eğitilen TSFM'ler, minimum fine-tuning uyarlamasıyla bölgeler arasında transfer edilebilir. Gerçek dünya örnekleri arasında kentsel alanlarda sıkışıklık tahmini ve lojistikte teslimat rotalarının optimize edilmesi yer alır.

Üretim

TSFM'ler, sensörler ve üretim döngüleri genelindeki uzun menzilli bağımlılıkları ele alarak erken arıza tespitini iyileştirir.

Tesise özgü verilerle fine-tuning yapıldığında, arıza süresini azaltma ve kalite kontrolü sağlama konusunda iyileştirilmiş performans elde ederler.

Hava durumu ve iklim

Hava durumu ve iklim modellemesi, saatlerden yıllara kadar birden çok tahmin ufkunu yönetmeyi gerektirir. İstatistiksel modeller ve geleneksel yöntemler çoğu zaman çok ölçekli değişkenliği yakalayamaz.

TSFM'ler, transformer mimarileri ve self-attention mekanizmaları sayesinde hem yerel hem de küresel bağımlılıkları modelleyebilir. Örnekler arasında kısa vadeli yağış tahmini ve iklim döngüsü tahminleri yer alır. Olasılıksal zaman serisi tahmini, bu çıktılardaki belirsizliğin nicelleştirilmesine yardımcı olur.

Zaman serisi temel modellerinin faydaları

TSFM'lerin mevcut modellere kıyasla temel avantajları şunlardır:

• Zero-shot performansı: Fine-tuning uyarlaması olmadan görülmeyen dataset'lerde güçlü sonuçlar elde etme.
• Azaltılmış eğitim maliyetleri: Ayrı modeller eğitmek yerine tek bir modelin alanlar arasında yeniden kullanılması.
• Alan genelleştirmesi: Bir modelin transfer learning ve few-shot öğrenicilerle çeşitli bağlamlara uyum sağlaması.
• Hesaplama verimliliği: NLP'deki büyük temel modellerden daha küçük olmasına rağmen yine de iyileştirilmiş performans sunması.
• Çok yönlülük: Çeşitli tahmin ufuklarını, ayrıntı düzeylerini ve çıktı patch uzunluklarını ele alma.

TSFM'lerin zorlukları

Teknik zorluklar

Eğitim verisi kıtlığı: Dil modelleri için metinlerin aksine, zaman serisi verileri için mevcut genel dataset'ler daha küçüktür. Ancak artık birden çok alanda milyarlarca gözlem içeren Large-scale Open Time Series Archive (LOTSA) gibi dataset'ler bulunmaktadır.⁸

Evrensel yapı eksikliği: Sözcük dağarcığı veya dil bilgisine eşdeğer bir yapı yoktur.

Karmaşık zamansal dinamikler: Çeşitli mevsimsellik örüntüleri ve geçmişler.

Alan özgüllüğü: Sektörler arasında farklı örnekleme oranları ve davranışlar.

Pratik zorluklar

• Çeşitli dataset'lerin toplanmasında gizlilik endişeleri.
• Model eğitimi için yüksek hesaplama verimliliği gereksinimleri.
• Değişen ortamlarda dağılım kayması.
• Gerçek dünya uygulamalarında yorumlanabilirlik ve şeffaflık.
• Eski sistemlere ve ilgili iş pipeline'larına entegrasyon.

Kıyaslamalarımızı ve veri odaklı içgörülerimizi kaçırmayın. Düğme Google'ı açar; AIMultiple'ı seçmeniz, Google arama sonuçlarında AIMultiple'ı daha sık görmek istediğinizi onaylar.

Tercih edilen kaynak olarak ekle

Zaman serisi temel modelleri: Geliştirme ve tasarım faktörleri

Zaman serisi temel modelleri: Sonuçlar ve operasyonel faktörler

Diğer temel modellerden farklar

TSFM'ler, dil modellerinden ve görsel temel modellerden çeşitli açılardan ayrılır:

• Veri modalitesi: Metin veya görüntü yerine sıralı sayısal veriler.
• Mimari: Patchleme ve normalizasyon (örn. geri döndürülebilir instance normalizasyonu) içeren uyarlanmış transformer tabanlı mimariler.
• Eğitim yaklaşımı: Google Research dataset'leri gibi hem sentetik verileri hem de gerçek dünya külliyatlarını dahil etme.
• Ölçek: Büyük temel modellerden daha küçük boyutta olmasına rağmen yüksek kaliteli nokta tahminleri sunma.
• Değerlendirme: Metin anlama yerine tahmin görevleri, anomali tespiti ve eksik veri tamamlama üzerinde benchmark edilir.

Bu araştırmayı kaynak gösterin

Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{Zaman Serisi Temel Modelleri: Kullanım Alanları ve Faydaları}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/time-series-foundation-models}},
  note   = {AIMultiple. Erişim tarihi: 12 Haziran 2026}
}

Referans Linkleri

1.

amazon/chronos-2 · Hugging Face

2.

GitHub - google-research/timesfm: TimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed by Google Research for time-series forecasting. · GitHub

3.

A decoder-only foundation model for time-series forecasting

4.

https://arxiv.org/pdf/2403.14735v3

5.

MOMENT: A Family of Open Time-series Foundation Models

6.

https://arxiv.org/pdf/2310.03589

7.

https://arxiv.org/pdf/2310.08278

8.

Salesforce/lotsa_data · Datasets at Hugging Face

Salesforce AI Research

Sıla Ermut

Endüstri Analisti

Takip Et

Sıla Ermut, AIMultiple'da yapay zeka model'leri, yapay zeka altyapısı, yapay zeka yönetişimi ve kurumsal yapay zeka uygulamalarını kapsayan bir endüstri analistidir. Araştırmaları çoğunlukla yapay zekanın pazarlama, sağlık hizmetleri, tedarik zincirleri ve sürdürülebilirlik alanlarındaki kullanımına odaklanmaktadır. Daha önce proje yönetimi ve danışmanlık firmalarında işe alım uzmanı olarak çalışmıştır. Sıla, Sosyal Psikoloji alanında Yüksek Lisans ve Uluslararası İlişkiler alanında Lisans derecesine sahiptir.

Tam Profili Görüntüle

Yorum yapan ilk kişi olun

E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder