ATM Nakit Talep Tahmininde RNN Mimarilerinin Başarımı: LSTM, GRU, Bi-LSTM ve CNN-LSTM

Bu çalışmada, Kaggle’da açık erişimli olarak paylaşılan, beş farklı ATM’ye ait günlük nakit çekim verilerini içeren veri seti kullanılarak tekrarlayan sinir ağı (Recurrent Neural Network – RNN) tabanlı dört derin öğrenme mimarisinin (LSTM, GRU, Bi-LSTM ve CNN-LSTM) tahmin başarımı karşılaştırmalı olarak incelenmiştir. Verinin yapısal özelliklerinin anlaşılabilmesi için keşifsel veri analizleri yapılmış ve analiz sonucunda ATM'ler arasında belirgin ölçek farklılıkları, haftalık periyodiklik, güçlü otokorelasyon yapıları ve 2015 yılı sonrasında eşzamanlı yapısal bozulmalar tespit edilmiş; bu bulgular doğrultusunda analiz dönemi sınırlandırılarak gecikmeli, hareketli istatistiksel ve takvim temelli yeni öznitelikler üretilmiştir. Modelleme aşamasında her bir mimari iki farklı girdi ile eğitilmiştir, bunlar; yalnızca geçmiş çekim tutarlarını kullanan tek değişkenli ve gecikmeli, hareketli istatistik ile takvim/tatil bilgilerinden türetilen 27 öznitelikten oluşan çok değişkenli girdi yapılarıdır. Ayrıca, 7, 14 ve 30 günlük geri bakış pencereleri altında ileri yönlü doğrulama yaklaşımıyla yapılan model eğitimi sürecinde toplam 120 deney gerçekleştirilmiştir. Bulgular, çok değişkenli girdi yapısının dört mimaride de tek değişkenli yapıya kıyasla daha düşük SMAPE değerleri ürettiğini ve en iyi sonuçların tamamının çok değişkenli yapıda gerçekleştiğini göstermiştir. Model bazında en düşük ortalama SMAPE değerine çok değişkenli GRU mimarisi (%36,63) ulaşırken, ATM bazında en iyi tahmin Bi-LSTM mimarisi ile Big Street ATM'sinde elde edilmiştir (%19,12). Geri bakış penceresinin uzunluğunun model başarımı üzerindeki etkisi sınırlı düzeyde kalmış; çoğu mimaride 14 günlük pencere optimal sonuç vermiştir. Çalışma sonunda, RNN tabanlı modellerin nakit talep tahmininde etkili bir şekilde kullanılabileceği görülmüştür. Ayrıca ATM'ler arasında gözlenen talep davranışı farklılıklarının model performansları üzerinde belirleyici olduğu ve tek bir modelin tüm ATM'lerde benzer başarı düzeyine ulaşmasının kolay olmadığı görülmüştür.