Derin Öğrenme ve İstatistiksel Modelleme Yöntemiyle Sıcaklık Tahmini ve Karşılaştırılması

Sevinç, Aynur; Kaya, Buket

doi:10.31590/ejosat.1014106

Cited by 5 publications

(3 citation statements)

References 11 publications

(5 reference statements)

Supporting

Mentioning

Contrasting

Order By: Relevance

“…The R 2 value expresses the relationship between actual values and predicted values. The R 2 value takes a value between 0-1, and the closer this value is to 1, the more accurate and sensitive the model becomes [37]. For this reason, the R 2 value was used in this study.…”

Section: Data Set and Feature Selection (Veri Seti Vementioning

confidence: 99%

Fleet Type Planning for Private Air Transport After Covid-19

Kılıç

Albayrak

Erkayman

2023

Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım Ve Teknoloji

View full text Add to dashboard Cite

The global impact of the epidemic COVID-19 has done great damage to air transport. Demand for airline transportation has declined for reasons such as quarantine practices by countries, curfews, the economic recession, and the transfer of meetings to digital platforms. This situation has also led to a change in individuals' preferences for air transport. The most striking change in air transport is the tendency of individuals to private air transport privately to minimize the health risks that may arise from personal contacts. Individuals who avoid commercial air transport where public transportation is has transitioned private air transport. For these reasons, an forecasting study was conducted in this study so that a private airline company can provide accurate flight plans in the future. For the forecast study, the number of aircraft types for 2022 was determined by obtaining data on the number of aircraft by passenger capacity, the number of flights, and the number of passengers for 2019-2021 from the airline company. In the forecasting study, the models with the highest accuracy value were selected from the machine learning models. The results provided important information about the company's future fleet planning.

show abstract

Section: Data Set and Feature Selection (Veri Seti Vementioning

confidence: 99%

Fleet Type Planning for Private Air Transport After Covid-19

Kılıç

Albayrak

Erkayman

2023

Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım Ve Teknoloji

View full text Add to dashboard Cite

show abstract

“…The results are compared using the mean squared error (MSE) metric, and the ANN (MSE = 3.46) method shows the best performance. Sevinç and Kaya estimated the monthly average temperature using LSTM and ARIMA models on the meteorological data of Solhan district of Bingöl province, located in the Eastern Anatolia Region of Turkey, between 2014 and 2020 [11]. The R square score of the selected model was calculated as 0.95 in the LSTM model and 0.97 in the ARIMA model.…”

Section: Literature Reviewmentioning

confidence: 99%

“…SVR makes adjustments to fit the best curve to the data set. To train this model, the optimization problem in Equation (8) needs to be solved according to the constraints given in Equation ( 9)- (11). While making this correction, the error term specified as the maximum error and indicated by the epsilon (ε) value is computed.…”

Section: Support Vector Regression (Svr)mentioning

confidence: 99%

Evaluation of air temperature with machine learning regression methods using Seoul City meteorological data

Apaydın¹,

Yumuş²,

Değırmencı³

et al. 2022

Pamukkale J Eng Sci

View full text Add to dashboard Cite

Weather has a significant impact on human life and activities. As abrupt changes in air temperature negatively affect daily life and various industries, the importance of weather forecast accuracy is increasing day by day. Current weather forecasting methods can be divided into two main groups: numerical-based and machine learning-based approaches. Numerical-based weather forecasting methods use complex mathematical formulas that significantly increase the computational cost. On the other hand, machine learning-based methods have been preferred more in recent years due to their lower computational costs. In this study, the next day's maximum and minimum air temperature are estimated for Seoul, South Korea by using 12 different regression methods together with the boosting-based machine learning algorithms developed in recent years, as well as traditional machine learning methods. Furthermore, since tuning of hyperparameters affects the process time and performance of machine learning algorithms, all 12 methods have been extensively studied in terms of time and hyperparameters. The square correlation coefficient (𝑅 2 ), which is frequently adopted in the literature, is used to compare the performances of the methods. According to the observed results, the boosting-based XGBoost and LightGBM methods are the most successful machine learning algorithms in predicting the maximum and minimum air temperature for all years with both statistical test analysis and the highest 𝑅 2 score. Havanın insan yaşamı ve faaliyetleri üzerinde önemli bir etkisi vardır. Hava sıcaklığındaki ani değişimler günlük yaşamı ve çeşitli endüstrileri olumsuz etkilendiğinden hava tahmini doğruluğunun önemini günden güne artırmaktadır. Mevcut hava tahmin yöntemleri iki ana gruba ayrılabilir: sayısal tabanlı ve makine öğrenim tabanlı yaklaşımlar.Sayısal tabanlı hava tahmin yöntemleri, hesaplama maliyetini önemli ölçüde artıran karmaşık matematiksel formüller kullanır. Buna karşın, makine öğrenim tabanlı yöntemler ise düşük işlem maliyetleri nedeniyle son yıllarda daha çok tercih edilir. Bu çalışmada, geleneksel makine öğrenmesi yöntemlerinin yanı sıra son yıllarda geliştirilen yükseltme tabanlı makine öğrenmesi algoritmaları ile birlikte 12 farklı regresyon yöntemi kullanılarak Güney Kore Seul için bir sonraki günün maksimum ve minimum hava sıcaklığı tahmin edilmektedir. Ayrıca, hiperparametrelerin ayarlanması, makine öğrenmesi algoritmalarının işlem süresini ve performansını etkilediğinden, 12 yöntemin tümü zaman ve hiperparametreler açısından kapsamlı bir şekilde çalışılmııştır. Yöntemlerin performanslarının karşılaştırılmasında literatürde sıklıkla tercih edilen kare korelasyon katsayısı (𝑅 2 ) kullanılmaktadır. Gözlemlenen sonuçlara göre, yükseltme tabanlı XGBoost ve LightGBM yöntemleri, hem istatistiksel test analizi hem de en yüksek 𝑅 2 puanı ile tüm yıllar için maksimum ve minimum hava sıcaklığını tahmin etmede en başarılı makine öğrenmesi algoritmalarıdır.

show abstract

Kripto Para Fiyatlarının Tahmini: ARIMA-GARCH ve LSTM Yöntemlerinin Karşılaştırılması

Eylasov,

Çiçek

2024

Finans Ekonomi Ve Sosyal Araştırmalar Dergisi

View full text Add to dashboard Cite

Kripto para birimleri, 2009 yılında ortaya çıkmalarından bu yana oldukça popüler hale gelmiştir. Özellikle Bitcoin'in 3 Ocak 2009'da piyasaya sürülmesinden sonra, diğer kripto para birimlerinin piyasaya çıkışı hız kazanmıştır. Bu popülerlik artışının ardından, kripto para birimlerinin tahmini önemli bir konu haline gelmiştir. Bu çalışmanın ana amacı, Bitcoin (BTC), Ethereum (ETH) ve Binance (BNB) kripto para getirilerini öngörmek için geleneksel zaman serisi yöntemlerinden olan ARIMA-GARCH ile birlikte LSTM (Long Short-Term Memory) derin öğrenme yaklaşımını kullanarak elde edilen tahmin performanslarını karşılaştırmaktır. Bu çerçevede, çalışma literatüre yeni bir katkı sunmayı amaçlamaktadır. Her bir kripto para birimi için farklı zaman aralıklarında günlük veriler kullanılmış ve bu veriler %90 eğitim ve %10 test verisi olarak bölünmüştür. Çalışmada, yöntemler RMSE ve MSE değerlendirme kriterleri kullanılarak karşılaştırılmıştır. Genel olarak, BTC serisinde ARIMA-GARCH yöntemi eğitim verisinde daha iyi sonuçlar gösterirken, test verisi için LSTM yöntemi daha etkili olmuştur. BNB serisinde ise hem eğitim hem de test verisi için LSTM yöntemi daha üstün performans sergilemiştir. ETH serisinde ise her iki veri seti için ARIMA-GARCH yöntemi daha iyi sonuçlar ortaya koymaktadır. Bu çalışma, finansal veri tahmininde her iki yöntemin de önemli bir performans sergileyebildiğini vurgulamaktadır.

show abstract

Derin Öğrenme ve İstatistiksel Modelleme Yöntemiyle Sıcaklık Tahmini ve Karşılaştırılması

Cited by 5 publications

References 11 publications

Fleet Type Planning for Private Air Transport After Covid-19

Fleet Type Planning for Private Air Transport After Covid-19

Evaluation of air temperature with machine learning regression methods using Seoul City meteorological data

Kripto Para Fiyatlarının Tahmini: ARIMA-GARCH ve LSTM Yöntemlerinin Karşılaştırılması

Contact Info

Product

Resources

About