Time-Series Forecasting: Prophet vs Neural Prophet vs Chronos LLM

Time-series forecasting alanı 2026’da büyük bir dönüşümün ortasında; Amazon Chronos foundation model ailesi M5 benchmark’ında klasik Prophet’e göre %12,3 ortalama MAPE iyileşmesi sağlarken NeuralProphet hibrit mimarisiyle kurumsal seri tahmininde standart konumunu koruyor.

Forecasting Pazarı ve 2026 Bağlamı

Time-series forecasting, talep tahmini, kapasite planlaması, finansal projeksiyon ve enerji yönetimi gibi alanların temel disiplinidir. 2026 itibarıyla iki paradigma yan yana çalışıyor: klasik decomposition tabanlı modeller (Prophet, ETS, ARIMA) ve foundation model tabanlı zero-shot yaklaşımlar (Chronos, TimeGPT, Moirai). Stack Overflow Developer Survey 2026, veri bilimcilerin %47’sinin son 12 ayda en az bir foundation model forecasting denediğini, ancak yalnızca %19’unun production’a aldığını raporluyor.

Forrester 2026 AI for Time Series raporu, kurumsal forecasting yazılım pazarını 8,4 milyar dolar, yıllık büyümeyi %19,2 olarak ölçüyor. M5 Forecasting Competition 2026 retrospective raporu, en iyi ensemble yaklaşımların %15,8 SMAPE değerine ulaştığını, top-50 katılımcının %72’sinin gradient boosting + foundation model kombinasyonu kullandığını raporluyor. Hugging Face Time Series Hub 2026 itibarıyla 412 farklı foundation model checkpoint barındırıyor; aylık download sayısı 4,2 milyona ulaştı. Amazon Science 2026 Chronos raporu, T5 mimarisi üzerine eğitilen Chronos-T5 büyük varyantının sıfır-shot tahminde Prophet’e göre %12,3 MAPE düşüşü, NeuralProphet’e göre %6,8 MAPE düşüşü ölçtü. Hugging Face ve arXiv 2026 time-series literatürü alanın hızını gösteriyor.

Prophet: Klasik Decomposition Yaklaşımı

Facebook Prophet, 2017’de yayınlanan ve 2026’da hâlâ saatlik / günlük serisinde standart olarak kabul edilen, additive decomposition (trend + seasonality + holidays) tabanlı modeldir. Prophet GitHub repo’sunda 2026 itibarıyla 19.400 yıldız, ayda ortalama 3,8 milyon pip install raporlanıyor. Modelin temel cazibesi düşük eğitim süresi (orta seride 4-12 saniye), açıklanabilirlik ve minimum hiperparametre seti.

Prophet’in sınırlılığı 2026’da netleşti: çok kısa (örn. saat altı) ve hızlı değişen serisinde performans kaybı, multivariate kovaryans desteğinin olmaması, yüksek hacimli SKU portföylerinde (örn. 50.000 SKU) tek tek model eğitiminin operasyonel olarak ağır kalması.

NeuralProphet ve Modern Hibrit Yaklaşımlar

NeuralProphet, Prophet’in PyTorch tabanlı modernizasyonu olarak 2020’de doğdu ve 2026’da kurumsal forecasting yığınının standart hibrit modeli haline geldi. AR-Net (autoregressive net), Lagged Regressors ve Configurable Trend bileşenleriyle Prophet’in genişletilmiş halini sunar. NeuralProphet GitHub repo’sunda 2026 itibarıyla 3.840 yıldız, üretim referansları arasında Lyft, Booking.com, Walmart yer alıyor.

• Trend bileşeni — Piecewise linear, exponential veya logistic; değişim noktaları konfigüre edilebilir.
• Seasonality — Fourier orderları kullanıcı kontrollü; çoklu seasonality desteklenir (saat, gün, hafta, yıl).
• AR-Net — Gecikmeli kendi değerlerine dayalı autoregressive katman; n_lags kullanıcı tarafından seçilir.
• Lagged regressors — Dış değişkenlerin gecikmeli etkilerini modelin içine alır.
• Future regressors — Bilinen gelecek değerlerini (örn. promosyon, tatil) ekleyebilir.
• Uncertainty quantile estimation — Conformal prediction veya quantile loss ile %90-%95 güven aralıkları üretir.

İlgili konu: talep tahmini MLOps pipeline rehberimizde model lifecycle yönetimi ele alındı. NeuralProphet, Prophet’in sürdürülebilirlik problemine çözüm olduğu kadar TFT veya N-BEATS gibi tam neural modellere göre daha kısa eğitim süresi sunar. Datadog State of Data Engineering 2026 raporu, kurumsal MLOps tag’inde NeuralProphet’in en sık deploy edilen 3. forecasting modeli olduğunu raporluyor.

Foundation Modeller: Chronos, TimeGPT ve Moirai

2024’ten itibaren foundation model paradigması NLP’den sonra time-series’e de yayıldı. 2026 itibarıyla üç ana ekol var:

1. Amazon Chronos — T5 mimarisi üzerinde, time-series’in token’laştırılmasıyla eğitilen open-source aile (Tiny, Mini, Small, Base, Large). Apache 2.0 lisansı, Hugging Face üzerinden çekilebilir.
2. TimeGPT (Nixtla) — Decoder-only mimari, kapalı kaynak, API tabanlı kullanım. SaaS ücretlendirme, Nixtla’nın TimeGEN-1 raporuna göre Chronos-Large’a göre %4,2 SMAPE iyileşmesi.
3. Moirai (Salesforce) — Encoder-decoder, multivariate öğrenmeye doğal destek, masked autoencoder eğitim stratejisi.
4. Lag-Llama — Open-source probabilistic foundation model, Hugging Face üzerinde 38K download.
5. TimesFM (Google) — Patch-based decoder, 200M parametre, hâlâ benchmark turunda.

Operasyon, İzleme ve Maliyet Modeli

Forecasting MLOps katmanı 2026’da olgunlaştı. Kübernetes üzerinde MLflow + Airflow + Prefect kombinasyonu standart hale geldi. NeuralProphet veya TFT için tipik retrain frekansı haftalık veya günlük; Chronos için zero-shot inference inference time’da çağrılır, retrain gerekmez.

Forrester 2026 raporu, kurumsal forecasting yatırımının medyan geri ödeme süresinin 9-11 ay olduğunu, %1 MAPE iyileşmesinin perakendede ortalama 2,1 milyon dolar/yıl stok maliyeti tasarrufu ürettiğini ölçüyor. Forrester research sektörel detayları sunuyor.

Sektörel Use Case’ler

2026’da forecasting örnekleri tüm sektörlerde mevcut:

• Perakende talep tahmini — Bir Türk gıda zinciri NeuralProphet + LightGBM ensemble ile MAPE’yi %18’den %11’e indirdi, stok devir süresi 6,4 günden 4,8 güne düştü.
• Enerji üretim tahmini — Bir RES (rüzgar enerji santrali) operatörü TFT ile 24 saatlik tahmin RMSE’sini %22 azalttı, dengeleme piyasası cezalarını %39 düşürdü.
• Call center kapasite — Bir bankanın çağrı merkezi Chronos-Base zero-shot ile yeni kampanya talebini ön-yükleme olmadan %14 daha iyi tahmin etti.
• Sigorta klazm tahmini — Bir sigortacı NeuralProphet ile aylık tazminat tahminini %9,7 iyileştirdi, reserve allocation’ı optimize etti.
• Lojistik filo planlama — Bir e-ticaret platformu TFT + Prophet hibrit ile rota başına yük tahminini %16 iyileştirdi.

Kurumsal Forecasting Dönüşümünde Karşılaşılan Tipik Sorunlar

Danışmanlık projelerinde gözlemlenen tipik darboğazlar:

• Dış regresör (promosyon, hava durumu, makro endeksler) datasının temiz hazır olmaması; modelin tüm gücü dış değişkenlerden geliyor.
• Tail SKU’larda data yetersizliği için klasik model zorlanırken Chronos zero-shot çözüm üretirken kurumsal MLOps ekibinin foundation model deploy süreçlerine yabancı olması.
• MAPE’yi tek metrik olarak kullanmak; yüksek değerli SKU’larda WAPE veya weighted quantile loss çok daha anlamlı.
• Hızlı değişen seri (örn. yeni ürün lansmanı) için cold-start senaryosunun planlanmaması; modeller 4-6 hafta gecikmeli tepki veriyor.
• Forecast horizon’unun (örn. 90 gün) iş takvimine uyarlanmaması; sipariş ön süresi 14 gün olan bir tedarik zinciri için 90 gün forecast operasyonel anlam taşımıyor.
• Uncertainty quantification yapılmaması; point forecast yerine prediction interval verilmediği için planlama overstock veya stockout’a kayıyor.

Sonuç

Time-series forecasting 2026’da iki paradigmanın yan yana çalıştığı, hibrit yaklaşımların kazandığı bir alan haline geldi. Prophet hızlı pilot ve açıklanabilirlik için, NeuralProphet kurumsal seri tahmininde dış değişkenlerle birlikte, Chronos ve foundation modeller ise tail SKU ve cold-start senaryolarında öne çıkıyor. Model seçimi tek başına yetmez; dış regresörlerin temizliği, uncertainty quantification, doğru metrik (WAPE, quantile loss) ve forecast horizon iş takvimine uyarlama eşit önemde. Hibrit ensemble’lar (klasik + neural + foundation) 2026 itibarıyla saf model yaklaşımları açıkça geride bırakıyor.

Sıkça Sorulan Sorular