Zaman Serisi Analizi (Time Series Analysis)

Zaman Serisi Analizi nedir?

Zaman serisi analizi (time series analysis), zamana göre sıralanmış gözlemleri inceleyen ve bu gözlemlerden geleceğe dair tahmin üreten yöntemler bütünüdür. Günlük satışlar, saatlik elektrik tüketimi, dakikalık sunucu yükü, aylık enflasyon; bunların hepsi zaman serisidir.

Zaman serisini sıradan tablo verisinden ayıran şey sıranın önemli olmasıdır. Bir satırı rastgele karıştırırsan anlam kaybolur, çünkü bugünkü değer dünkü değerle ilişkilidir.

Nasıl çalışır?

Analiz genellikle seriyi bileşenlerine ayırmakla başlar:

• Trend: Uzun vadeli yükseliş ya da düşüş eğilimi.
• Mevsimsellik: Düzenli tekrar eden döngüler; hafta sonu satışlarının artması, yaz aylarında klima talebinin patlaması gibi.
• Döngüsel hareketler: Ekonomik dalgalanmalar gibi düzensiz ama uzun periyotlu değişimler.
• Gürültü: Açıklanamayan rastgele oynamalar.

Klasik yöntemler arasında hareketli ortalama, üstel düzleştirme ve ARIMA ailesi var. Makine öğrenmesi tarafında gradient boosting modelleri, geçmiş değerlerden türetilen "lag" özellikleriyle beslenir. Derin öğrenmede ise önce RNN ve LSTM, ardından Transformer tabanlı mimariler kullanıldı. Son yıllarda çok sayıda seri üzerinde önceden eğitilmiş zaman serisi foundation model'leri de ortaya çıktı.

Değerlendirme yaparken en önemli kural şudur: test verisi her zaman eğitim verisinden sonra gelmelidir. Rastgele train-test split zaman serisinde geleceği geçmişe sızdırır ve sonuçları sahte biçimde parlatır.

Neden önemli?

İşletmelerin aldığı kararların büyük kısmı "yarın ne olacak?" sorusuna dayanır. Stok planlaması, personel vardiyası, enerji üretimi, bütçe tahmini; hepsi zaman serisi tahminiyle yapılır. Ayrıca anomali tespiti de büyük ölçüde zaman serisi üzerinde çalışır: sunucu metriğinde beklenmedik bir sıçrama, kredi kartında olağandışı bir harcama gibi.

Kullanım alanları

• Talep tahmini: Perakendede hangi üründen ne kadar stok tutulacağını belirlemek.
• Enerji: Elektrik tüketimi ve yenilenebilir üretim tahmini.
• Finans: Volatilite ve risk modelleme (fiyat tahmininde başarı garantisi yoktur).
• Altyapı izleme: Sunucu yükünü öngörüp kapasite planlamak ve anomalileri yakalamak.
• Sağlık: Hasta vital bulgularını izleyip erken uyarı üretmek.
• Kapasite planlaması: Bulut altyapısında ne zaman ek sunucu açılacağını ve ne zaman kapatılacağını önceden bilmek, hem maliyeti düşürür hem de yoğun saatlerde yaşanabilecek kesintilerin önüne geçer.