Zaman Serisi Temel Modelleri: Kullanım Alanları & Faydalar

Güncellenme tarihi: 12 Haz 2026

Zaman serisi temel modelleri (TSFM'ler), doğal dil işleme ve görü alanındaki temel modellerdeki gelişmelere dayanır. Transformer tabanlı mimariler ve büyük ölçekli eğitim verileri kullanarak, sıfır atışlı (zero-shot) performans elde eder ve finans, perakende, enerji ve sağlık gibi sektörler arasında uyum sağlar.

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

Zaman Serisi Temel Modelleri Nedir?

Zaman serisi temel modelleri (TSFM'ler), çeşitli alanlarda ve uygulamalarda zaman serisi verilerini işlemek üzere tasarlanmış büyük ölçekli önceden eğitilmiş modellerdir.

Doğal dil işleme (NLP) ve bilgisayarlı görü alanındaki temel modellerin başarısından esinlenen TSFM'ler, temel modellerin temsil paradigmalarını tahmin ve ardışık analize genişletir. Önde gelen TSFM'ler şunlardır:

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

Salesforce Moirai-2, 27 milyar gözlemli LOTSA veri setinde eğitilmiş, yalnızca decoder'lı bir transformer mimarisi kullanır.

Sundial, Tsinghua Üniversitesi'ndeki araştırmacılar tarafından geliştirildi ve TimeBench veri setinde piyasa lideri sonuçlar elde etti.

TimesFM-2.5

TimesFM-2.5, Google'ın TimesFM serisindeki en yeni modelidir. Gerçek dünya zaman serisi veri noktalarından oluşan bir korpus üzerinde eğitilmiş, ~200M parametre ve 16k bağlam uzunluğuna sahip önceden eğitilmiş bir modeldir. ² Büyük dil modelleri (LLM'ler) ile karşılaştırıldığında, kompakt bir boyut, hızlı çıkarım ve zaman serisi verilerine odaklanma getirir.

Mimari ve eğitim

TimesFM, dil modellerinden yalnızca decoder'lı transformer mimarisini ödünç alır: yığılmış nedensel öz-dikkat ve ileri beslemeli katmanlar, yalnızca geçmiş bağlama koşullu olarak sonraki çıktıyı üretir.

Metinden farklı olarak, model bir diziyi ardışık zaman noktalarının yamaları olarak temsil eder; her yama gömülür (bir MLP artık bloğu artı konumsal kodlamalar aracılığıyla) ve bir token olarak işlenir. Temel bir tasarım seçimi, giriş yama uzunluğundan daha uzun bir çıktı yama uzunluğu tahmin etmektir; bu, çıkarım sırasında yinelemeli adımları azaltır ve uzun ufuklarda hata birikimini sınırlar.

Model eğitimi için, Google, temel transferi iyileştirmek için sentetik veriyi (temel zamansal "gramer"i öğretmek için) büyük, çeşitli bir gerçek seri veri setiyle (örn. Google Trends ve Wikipedia Sayfa Görüntülemeleri) karıştırır. Toplam ön eğitim ölçeği 100B zaman noktası mertebesindedir.

TimesFM zaman serisi temel modelleri mimarisini gösteren grafik.

Şekil 1: TimesFM'in mimarisini gösteren grafik.³

Değerlendirme ve sonuçlar

Google, TimesFM'yi halka açık benchmark'larda saf sıfır atışlı (zero-shot) modda değerlendirdi. Monash Tahmin Arşivi'nde TimesFM, çoğu istatistiksel modeli (örn. ARIMA, ETS) geride bırakır ve hedef seri üzerinde eğitilmiş birkaç derin öğrenme taban çizgisine eşit olur veya onları geçer.

Uzun ufuklu görevlerde (örn. ETT veri setleri), TimesFM'nin sıfır atışlı doğruluğu, süpervizörlü taban çizgileriyle (örn. veri seti başına eğitilmiş PatchTST) yarışır ve prompt tabanlı LLM tahmincilerini yener. Metrikler, ölçeklenmiş MAE ve veri setleri genelinde geometrik-ortalama özetlerini içerir.⁴

TSFM'lerin temel özellikleri ve mimarisi

TSFM'lerin transformer mimarisi, uzun menzilli bağımlılıkları ve mevsimsellik desenlerini modellemek için öz-dikkat, artık bağlantılar ve lineer katmanlar kullanır. Giriş yamaları, çok katmanlı bir perceptron aracılığıyla gömülülere dönüştürülürken, konumsal kodlamalar zamansal sırayı korur.

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

Şekil 2: Farklı uyum tekniklerini gösteren diyagram.⁵

Birincil kullanım alanları nelerdir?

Tahmin

Tahmin, geçmiş desenler göz önüne alındığında bir zaman serisindeki gelecekteki noktaları öngörmeyi içerir. TSFM'ler, gereksinime bağlı olarak nokta tahminleri veya olasılıksal zaman serisi tahmin çıktıları üreterek buna yaklaşır.

Univariate zaman serisi tahmin modellerinden veya istatistiksel modellerden farklı olarak, hava durumu veya promosyonlar gibi dışsal değişkenler dahil olmak üzere birden fazla sinyali entegre ederler. Bu esneklik, onları perakende talep planlaması, enerji yük tahmini ve finansal piyasa analizi için uygun hale getirir.

Sınıflandırma

Sınıflandırmada, amaç bir seri tabanındaki desenleri etiketlemek veya kategorize etmektir. TSFM'ler, tıbbi verilerde aritmi veya perakendede olağandışı talep zirveleri gibi karakteristik yapıları tanımak için transformer tabanlı modeller kullanır.

Eksik Veri Tamamlama (Imputation)

Eksik verileri tamamlama, eksik dizilerdeki boşlukları doldurur. TSFM'ler, birleşik eğitim sırasında çeşitli veri setlerinden öğrenilen desenleri kullanarak eksik aralıkları yeniden oluşturur.

Basit enterpolasyondan farklı olarak, mevsimsellik ve trendlerle tutarlılığı korurlar. Uygulamalar, eksik bilgilerin aşağı akış tahmin görevlerini etkileyebileceği enerji kullanım kayıtlarındaki veya tıbbi izleme verilerindeki boşlukları doldurmayı içerir.

Anomali tespiti

TSFM'ler, mevcut sinyalleri normal davranışın öğrenilmiş temsilyle karşılaştırarak beklenen desenlerden sapmaları tespit eder.

Alanlar genelinde genelleme yetenekleri, anomali'lerin nadir olduğu durumlarda bile sıfır atışlı performansı iyileştirir. Bu, dolandırıcılık tespiti, öngörücü bakım ve siber güvenlik izleme ile ilgilidir. Anomali tespitindeki önceki çalışmalarla karşılaştırıldığında, TSFM'ler zaman serisi tahminini sınıflandırmayla entegre ederek bağlam bilinci farkında tespit sağlar.

TSFM'leri Benimseyen Endüstriler

Perakende

Perakendeciler, envanter yönetimi ve satış planlaması için tahmin modellerine büyük ölçüde güvenir.

Geleneksel istatistiksel modeller, genellikle bayramlar, promosyonlar veya ekonomik değişiklikler gibi dış etkileri yakalamakta başarısız olur. TSFM'ler dışsal değişkenleri dahil eder ve birkaç atışlı (few-shot) ayarlamalarla uyum sağlar.

Örneğin, küresel bir perakendeci, çeşitli bir veri setinde eğitilmiş bir modeli uygulayarak birden fazla bölgede güvenilir tahminler elde edebilir.

Finans

Finansal sistemler hem tahmin ufku projeksiyonlarını hem de anomali tespitini gerektirir. Regresyon modelleri veya belirli piyasalar için ayarlanmış derin öğrenme modelleri genellikle yapısal değişikliklerle mücadele eder.

TSFM'ler, yeni enstrümanlar için sıfır atışlı tahmin sağlar ve transfer öğrenme yoluyla oynaklığa uyum sağlar. Kullanım alanları, hisse senedi fiyatı tahmini, portföy risk modellemesi ve dolandırıcılık tespiti içerir.

Sağlık

Sağlık, izleme cihazlarından sürekli zaman serisi verileri üretir. Vücut işaretlerindeki anomali tespitine yönelik geleneksel yaklaşımlar, sabit eşiklere güvenir. TSFM'ler bunun yerine hem klinik hem de sentetik veriden öğrenir, hasta özelinde taban çizgilerine uyum sağlayan erken uyarı sistemleri sağlar. İzlemenin ötesinde, büyük veri setleri genelinde ince zamansal desenleri tanımlayarak ilaç denemelerinde bilgi keşfini desteklerler.

Enerji

Enerji sistemleri, sensörlerden ve sayaçlardan zaman serileri üretir. Sabit mevsimsel desenler varsayan geleneksel yöntemlerin aksine, TSFM'ler yenilenebilir üretim gibi değişken koşulları yönetir.

Elektrik şebekesi dengesini sağlamak için olasılıksal zaman serisi tahmin çıktıları üretmek üzere tüketim geçmişlerini sıcaklık ve rüzgar hızı gibi dışsal değişkenlerle birleştirirler. Hesaplama verimliliği burada önemlidir, çünkü küçük zaman karıştırıcılar daha düşük maliyetle yerel tahminler sağlar. Daha fazla bilgi için sürdürülebilirlik AI uygulamalarını keşfedin.

Ulaştırma

Ulaştırma ağları, trafik akışı ve lojistik için tahmine güvenir. Daha önceki makine öğrenimi modelleri, her şehir veya rota için ayrı model eğitimi gerektiriyordu. Çeşitli veri setlerinde eğitilen TSFM'ler, minimum ince ayarlı uyumla bölgeler arasında aktarım yapabilir.

Gerçek dünya örnekleri, kentsel alanlarda tıkanıklık tahmini ve lojistikte teslimat rotalarını optimize etmeyi içerir.

Üretim

Üretimde, öngörücü bakım temel bir kullanım alanıdır. Tek bir makine verisi üzerinde eğitilmiş geleneksel regresyon modelleri genellikle aktarılabilirlikten yoksundur. TSFM'ler, sensörler ve üretim döngüleri genelinde uzun menzilli bağımlılıkları yöneterek erken arıza tespitini iyileştirir.

Özel tesis verileriyle ince ayarlandıklarında, çalışma süresini azaltmada ve kalite kontrolünü sağlamada gelişmiş performans elde ederler.

Hava durumu ve iklim

Hava durumu ve iklim modelleme, saatlerden yıllara kadar birden fazla tahmin ufku yönetmeyi gerektirir. İstatistiksel modeller ve geleneksel yöntemler, genellikle çok ölçekli değişkenliği yakalamakta başarısız olur.

TSFM'ler, transformer mimarileri ve öz-dikkat mekanizmaları aracılığıyla hem yerel hem de küresel bağımlılıkları modelleyebilir. Örnekler, kısa vadeli yağış tahmini ve iklim döngüsü öngörülerini içerir. Olasılıksal zaman serisi tahmini, bu çıktılardaki belirsizliği nicelendirmeye yardımcı olur.

Kentsel bilişim

Akıllı şehirler, ulaşım, altyapı ve altyapıdan gelen zaman serisi verilerine güvenir. Mevcut modeller şu anda görevlere göre siloludur. TSFM'ler, bunları minimal ek eğitim verisiyle uyum sağlayabilen, alanlar genelinde dağıtılabilen tek bir model altında birleştirir.

Örnekler, binalarda enerji kullanımını optimize etmeyi, trafik sıkışıklığını tahmin etmeyi ve su tedarik sistemlerini yönetmeyi içerir.

Zaman Serisi Temel Modellerinin Faydaları

Mevcut modellere kıyasla TSFM'lerin temel avantajları şunlardır:

Sıfır atışlı (Zero-shot) performans: İnce ayarlı uyum olmaksızın görülmemiş veri setlerinde güçlü sonuçlar sunma.
Azaltılmış eğitim maliyetleri: Ayrı modeller eğitmek yerine, bir modelin alanlar genelinde yeniden kullanılması.
Alan genellemesi: Bir model, transfer öğrenme ve birkaç atışlı (few-shot) öğrenicilerle çeşitli bağlamlara uyum sağlar.
Hesaplama verimliliği: NLP'deki büyük temel modellerden daha küçükken, yine de gelişmiş performans sunma.
Çok yönlülük: Çeşitli tahmin ufuklarını, ayrıntı düzeylerini ve çıktı yama uzunluklarını işleme.

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

Zorluklar

Teknik zorluklar

Eğitim verisi kıtlığı: Dil modelleri için metinden farklı olarak, zaman serisi verileri için mevcut halka açık veri setleri daha küçüktür. Ancak, şimdi birden fazla alanda milyarlarca gözlem içeren Büyük Ölçekli Açık Zaman Serisi Arşivi (LOTSA) gibi veri setleri bulunmaktadır.⁶

Evrensel yapı eksikliği: Kelime dağarcığı veya gramer karşılığı yok.

Karmaşık zamansal dinamikler: Çeşitli mevsimsellik desenleri ve geçmişler.

Alan özgüllüğü: Endüstriler genelinde farklı örnekleme oranları ve davranışlar.

Pratik zorluklar

Çeşitli veri setlerini toplarken gizlilik endişeleri.
Model eğitimi için yüksek hesaplama verimliliği gereksinimleri.
Gelişen ortamlarda dağılım kayması.
Gerçek dünya uygulamalarında yorumlanabilirlik ve şeffaflık.
Eski sistemlere ve ilgili iş akışlarına entegrasyon.

Zaman Serisi Temel Modelleri: Geliştirme ve Tasarım Faktörleri

Yaklaşım	Kurulum çabası	Eğitim verisi ihtiyaçları	Mimari
TimesFM (yalnızca decoder'lı temel model)	Minimal; yeniden eğitim olmaksızın alanlar genelinde güçlü sıfır atışlı tahmin	Çeşitli veri setlerinden (gerçek + sentetik veri) ~100B zaman noktası üzerinde önceden eğitilmiş	Yama tokenizasyonu, öz-dikkat, daha uzun çıktı yama uzunluğu ile yalnızca decoder'lı transformer
Geleneksel yöntemler (ARIMA, ETS, vb.)	Orta; manuel model seçimi, ayarı, durağanlık varsayımları gerektirir	Yalnızca hedef zaman serisini kullanır; ön eğitim yok	Lineer ve mevsimsel varsayımlara sahip istatistiksel modeller
Süpervizörlü derin öğrenme modelleri (PatchTST, Informer, vb.)	Yüksek; veri seti başına model eğitimi ve hiperparametre ayarı	Her alan için büyük etiketli eğitim setleri gerektirir	Transformer tabanlı mimariler veya CNN/RNN hibritleri
LLM-tabanlı promptlama (GPT, vb.)	Çıkarımda düşük; sayısal dizilerin dikkatli metin biçimlendirmesini gerektirir	Metin korpuslarında eğitilmiş, zaman serisi verilerinde değil	Büyük dil modelleri; metin için tasarlanmış tokenizasyon, sayısal bağımlılıklar için değil

Zaman Serisi Temel Modelleri: Sonuçlar ve Operasyonel Faktörler

Yaklaşım	Benchmark'lardaki performans	Uyum yeteneği	Verimlilik
TimesFM (yalnızca decoder'lı temel model)	Sıfır atışlı modda süpervizörlü taban çizgileriyle eşleşir veya onları geçer; istatistiksel modellerden ve LLM promptlamadan daha iyi	Finans, enerji, perakende, sağlık genelinde genelleştirir; transfer öğrenme ve birkaç atışlı ayarlamaları destekler	Kompakt (~200M parametre); büyük temel modellere kıyasla daha düşük hesaplama verimliliği ihtiyaçları
Geleneksel yöntemler (ARIMA, ETS, vb.)	Kararlı, kısa ufuklu serilerde güçlü; düzensiz veya çok değişkenli verilerde zayıf	Alanlar arasında çok az veya hiç aktarım yok; veri seti başına yeniden uydurulmalı	Hafif, hızlı; sınırlı donanımda çalışır
Süpervizörlü derin öğrenme modelleri (PatchTST, Informer, vb.)	Yeterli veri üzerinde eğitildiğinde genellikle en yüksek doğruluk; alana özgü görevlerde güçlü	Zayıf genelleştirme; veri seti başına yeniden eğitim gerekir	Kaynak yoğun (>1B parametre); eğitmek ve dağıtmak daha yavaş
LLM-tabanlı promptlama (GPT, vb.)	TimesFM'den daha zayıf; uzun tahmin ufukları ve sayısal doğrulukla mücadele eder	Prensip olarak uyumlu, ancak prompt mühendisliğine yoğun şekilde bağımlı	Çıkarımda çok maliyetli; ölçek ve token uzunluğu nedeniyle verimsiz

Diğer Temel Modellerden Farklar

TSFM'ler, dil modellerinden ve görü temel modellerinden birkaç yönde ayrılır:

Veri modu: Metin veya görüntüler yerine ardışık sayısal veri.
Mimari: Yama ve normalizasyon (örn. tersine çevrilebilir örnek normalizasyonu) ile uyarlanmış transformer tabanlı mimariler.
Eğitim yaklaşımı: Hem sentetik veriyi hem de gerçek dünya korpuslarını, örn. Google Araştırma veri setlerini dahil etme.
Ölçek: Büyük temel modellerden daha küçük boyutlu, ancak yüksek kaliteli nokta tahminleri sunma.
Değerlendirme: Metin anlama yerine tahmin görevleri, anomali tespiti ve eksik veri tamamlama üzerinde benchmarklanma.

Sonuç

Zaman serisi temel modelleri, alana özgü istatistiksel modellerden, regresyon modellerinden ve süpervizörlü derin öğrenmeden zaman serileri için birleşik bir modele doğru bir değişimi temsil eder. Transformer tabanlı mimarileri uygulayarak ve önceden eğitilmiş modellerden yararlanarak, tahmin görevleri, anomali tespiti ve endüstriler genelindeki diğer uygulamalar için ölçeklenebilir çözümler sunarlar.

Eğitim verisi erişilebilirliği, yorumlanabilirlik ve mevcut iş akışlarına entegrasyon konusunda zorluklar devam ederken, sıfır atışlı tahmin, transfer öğrenme ve alanlar arası uyum yeteneğindeki avantajlar, TSFM'leri genel amaçlı tahmine doğru önemli bir adım olarak konumlandırır. Araştırma ilerledikçe ve açık kaynak temel modeller genişledikçe, hem akademik hem de gerçek dünya ortamlarında benimsenme muhtemelen artacaktır.

Bu araştırmayı kaynak gösterin

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

Sıla Ermut (2026) - "Zaman Serisi Temel Modelleri: Kullanım Alanları & Faydalar". AIMultiple.com adresinde çevrimiçi yayımlanmıştır. Erişim tarihi: 12 Haziran 2026, kaynak: https://aimultiple.com/time-series-foundation-models [Çevrimiçi Kaynak]

Ermut, S. (2026, 12 Haziran). Zaman Serisi Temel Modelleri: Kullanım Alanları & Faydalar. AIMultiple. https://aimultiple.com/time-series-foundation-models

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

Referans Linkleri

amazon/chronos-2 · Hugging Face

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

A decoder-only foundation model for time-series forecasting

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

MOMENT: A Family of Open Time-series Foundation Models

Sıla Ermut

Sektör Analisti

Takip Et

Sıla Ermut, AIMultiple'da e-posta pazarlama ve satış videoları üzerine odaklanan bir sektör analistidir. 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