MultiScaleWave: tek değişkenli zaman serisi tahmini için dalgacık tabanlı çok ölçekli çerçeve

Zamandaki kalıpları tahmin etmek neden önemli

Hisse senedi fiyatlarından güneş enerjisi üretimine ve değişen hava koşullarına kadar dünyamızın büyük bölümü zaman içinde değişen değerler dizisi olarak ortaya çıkar. Bu değerlerin nereye gideceğini öngörebilmek, yatırımları yönetmekten elektrik şebekelerini dengelemeye kadar pek çok alanda yardımcı olabilir. Ancak gerçek dünya zaman serileri karışıktır: gürültülüdür, davranışları zamanla değişir ve hızlı dalgalanmaları yavaş eğilimlerle karıştırır. Bu makale, bu karmaşıklığı çözmeyi ve tek bir geçmiş veri akışından daha güvenilir tahminler üretmeyi amaçlayan yeni bir tahmin çerçevesi olan MultiScaleWave’i tanıtıyor.

Karmaşık sinyalleri basit parçalara ayırmak

Geleneksel tahmin araçları genellikle bir zaman serisinin tüm yönleriyle aynı anda uğraşmaya çalıştıkları için tökezler. MultiScaleWave farklı bir yaklaşım benimser: gelen sinyali önce dalgacık dönüşümü adı verilen matematiksel bir araçla birden çok detay katmanına böler. Basitçe söylemek gerekirse, orijinal eğri hızlı sarsıntıları, orta hızdaki değişimleri ve çok yavaş eğilimleri yakalayan bileşenlere ayrılır. Bu çok katmanlı görünüm, olayların ne zaman gerçekleştiğini izlerken faydalı desenleri gizleyen rastgele gürültünün bir kısmını doğal olarak filtreler.

Farklı değişim türleri için uzmanlaşmış yollar

Sinyal ince, orta ve kaba katmanlara ayrıldıktan sonra MultiScaleWave her birini kendi uzmanlaşmış işleme yolundan geçirir. İnce detay yolu hızlı iniş çıkışlara odaklanır; kısa vadeli desen algılayıcıları ile daha uzun dizileri izleyebilen hafıza benzeri bir yapıyı birleştirir. Orta detay yolu, olayların sırasını korurken geçmişteki birçok zaman adımını görebilen genişletilmiş (dilate) konvolüsyon zinciri kullanır. En kaba yol, yavaş değişen arka plan trendini daha basit ele alır ve geniş hareketleri yakalamak için fazla hesap israf etmeyen kompakt tam bağlı katmanlardan oluşan bir ağ kullanır.

Parçaları yeniden örerek tahmin üretmek

Bu üç yol kendi zaman ölçeklerinde özellikleri çıkardıktan sonra MultiScaleWave bunları dikkatle bir araya getirir. İşlenmiş yüksek ve düşük frekans bileşenlerini kademeli olarak yeniden birleştirmek için orijinal dalgacık işleminin tersini kullanır ve böylece tam uzunlukta bir sinyalin yavaşça yeniden yapılandırılmasını sağlar. Yeniden oluşturulan bu seri daha sonra öğrenilmiş özellikleri bir sonraki değerlerin tahminine dönüştüren küçük bir tahmin başından geçirilir. Kısa vadeli dalgalanmaları ve uzun vadeli eğilimleri bu yapılandırılmış şekilde birleştirerek çerçeve, hem keskin hem de stabil tahminler üretmeyi hedefler.

Yöntemi teste sokmak

Yazarlar MultiScaleWave’i günlük hisse senedi fiyatları gibi birçok büyük finansal endeks ve şirkete ait veri ile hava koşullarının ve güneş enerjisi üretiminin yüksek frekanslı ölçümleri dahil olmak üzere geniş bir gerçek dünya veri kümesi yelpazesinde değerlendirdiler. Performansını klasik istatistiksel modeller, konvolüsyonel ve tekrarlayan ağlar gibi yaygın derin öğrenme mimarileri ve zaman serilerini parçalara ayırmayı amaçlayan daha yeni en iyi yöntemlerle karşılaştırdılar. Neredeyse tüm testler ve hata ölçümlerinde MultiScaleWave üstün çıktı; özellikle uzun menzilli tahmin görevlerinde ve girdi verilerinin kasıtlı olarak yapay gürültüyle bozulduğu durumlarda öne geçti.

Çok ölçekli tasarımın fark yaratmasının nedeni

Dalgacık tabanlı bölmenin gerçekten önemli olup olmadığını görmek için araştırmacılar basit ortalama kullanan bir varyant da oluşturdular. Bu versiyon özellikle keskin sıçramalar ve yön değişimleri olan verilerde tutarlı şekilde daha düşük performans gösterdi ve ayrıştırma sırasında ince detayların korunmasının önemini vurguladı. Aynı zamanda MultiScaleWave nispeten hafif ve hızlı kaldı; bazı rakip ileri modellerden çok daha az parametre ve daha kısa hesap süreleri kullandı. Bu, çok ölçekli ayrıştırma, ölçeğe duyarlı işleme yolları ve dikkatli bir füzyonun kasıtlı birleşiminin gerçek dünya zaman serilerinin düğümlü doğasını ele almanın verimli bir yolu olduğunu düşündürür.

Günlük tahminler için anlamı

Uzman olmayanlar için temel mesaj, daha iyi tahminlerin tek bir veri çizgisinin içinde gizli farklı ritmlere saygı göstermekten geçtiğidir. MultiScaleWave, önce hızlı dalgalanmaları, orta hızdaki değişimleri ve yavaş sürüklenmeleri ayırarak, sonra her birini davranışına uygun araçlarla modelleyip nihayetinde tekrar birleştirerek gelecekteki değerleri daha doğru ve daha sağlam biçimde tahmin etmenin mümkün olduğunu gösteriyor. Bu çerçeve finans, enerji ve çevresel izleme alanlarında karar almayı güçlendirebilir ve daha geniş bir tasarım ilkesine işaret eder: en güvenilir tahminler, zamanı tek bir düz dizi olarak görmek yerine, iç içe geçmiş zaman ölçekleri dokuması olarak görebilen modellerden çıkar.

Atıf: Zheng, C., Zhao, H. MultiScaleWave: a wavelet-based multiscale framework for univariate time series forecasting. Sci Rep 16, 13236 (2026). https://doi.org/10.1038/s41598-026-42317-1

Anahtar kelimeler: zaman serisi tahmini, dalgacık ayrıştırması, derin öğrenme, çok ölçekli modelleme, tek değişkenli tahmin