Search

Being able to forecast events has always been important for humans. Humans did forecasting by inspecting movements of material and non-material objects in ancient times. However, thanks to the technological developments and the increasing amount of data in recent years, forecasting is now done by computers, especially by machine learning methods. One of the areas where these methods are used frequently is numerical weather forecasting. In this type of forecast, short, medium and long-term weather forecasts are made using historical data. However, predictions are inherently error-prone phenomena and should be stated which error range the predictions fall. In this study, numerical weather forecasting was done by combining Genetic Programming and Inductive Conformal Prediction method. The effect of 10 and 20 days of historical data on short (1-day), medium (3-days) and long-term (5-days) weather forecasts was examined. Results suggested that Genetic Programming has a good potential to be used in this area. However, when Genetic Programming was combined with the Inductive Conformal Prediction method, it was shown that forecasts gave meaningful results only in short-term; forecasts made for medium and long-term did not produce meaningful results.

In this paper, a new probabilistic technique (a variant of Multiple Model Particle Filter-MMPF) will be used to predict time-series datasets. At first, the reliable performance of our method is proved using a virtual random scenario containing sixty successive days; a large difference between the predicted states and the real corresponding values arises on the second, third, and fourth day. The predicted states that are determined by using our method converge rapidly towards the real values while a classical linear model exhibits a large amount of divergence if used alone here. Then, the performance of our approach is compared with some other techniques that were already applied to the same time-series datasets: IEX (Istanbul Stock Exchange Index), TAIEX (Taiwan Stock Exchange), and ABC (The Australian Beer Consumption). The performance evaluation metrics that are utilized here are the correlation coefficient, the mean absolute percentage error, and the root mean squared error.

Various pandemics have been recorded in world history until today. The Covid-19 outbreak, which emerged at the end of 2019, has recently been a hot topic in the literature. In this work, extreme learning algorithms are presented as a comparative study for predicting the positive rate for the countries: India, Turkey, Italy, USA and UK. The features to be used in the learning phase are determined with the F-test feature selection method. For each extreme learning approach, results are obtained for each country with the root mean square error evaluation criteria. Accordingly, the radial basis kernel function produces the best estimation results, while the linear kernel function has the highest RMSE. Accordingly, the lowest RMSE value has been obtained for India as 4.17E-03 with the radial basis kernel function based ELM. Also, since Turkey's data contains too many outliers, it has the highest RMSE value (0.015 - 0.035) in linear kernel method among the countries.

Copyright of Düzce University Journal of Forestry / Düzce Üniversitesi Orman Fakültesi Ormancılık Dergisi is the property of Duzce University and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Bu makalede Nevşehir İlinde µg m-3 seviyesinde bulunan PM10, SO2, CO, NO2 ve O3 gibi temel hava kirletici parametreleri 01.08.2019-19.11.2020 tarihleri arasında izlenilmiş ve bu parametrelere bağlı olarak Hava Kalite İndeksi (HKİ) değerleri hesaplanmıştır. Nevşehir İli HKİ değerleri iyi ve hassas dereceler arasında değişkenlik göstermektedir. HKİ izleme verileri kullanılarak Küçük Ölçekli ve Ayrık Zamanlı Markov Zinciri Modelleri eğitilmiş ve 20.11.2020-20.12.2020 tarihlerini kapsayan yeni verilerle doğrulamaları yapılmıştır. Yapılan bu çalışmada Nevşehir İli HKİ değerleri, Küçük Ölçekli ve Ayrık Zamanlı Markov zincir modelleri ile sırasıyla 0,887 ve 0,982 oranında başarıyla tahmin edilmiştir. Nevşehir İli hava kalitesine bağlı olarak daha az değişken duruma sahip olan Ayrık-Zamanlı Markov Zinciri Modeli hem eğitimde hem de kontrolünde kullanılan HKİ verilerini tahmin etmede daha başarılı bulunmuştur. Sonuç olarak Markov Zinciri modellerinin farklı hava koşullarını tahmin etmede başarılı bir yöntem olarak kullanılabileceği belirlenmiştir.

Son yıllarda şirketler arası rekabetin artmasıyla beraber aboneliğinden ayrılacak müşterilerin tahmin edilmesi oldukça önemli hale gelmiştir. Müşteri karmaşası analizi, veri madenciliği, makine öğrenmesi ve derin öğrenme gibi alanlarda sıklıkla karşılaşılan analiz çeşitlerinden biridir. Özellikle telekomünikasyon, sigortacılık ve bankacılık gibi sektörlerde yaygın olarak kullanılmaktadır. Bu çalışma da veri madenciliği ve makine öğrenmesi teknikleri ile aboneliğini sonlandırma ihtimali olan müşterileri tahmin etmeyi amaçlamaktadır. Çalışma Lojistik Regresyon (Logistic Regression), Karar Ağacı (Decision Tree), Yapay Sinir Ağları (Artifical Neural Network), Torbalama (Bagging) ve Artırma (Boosting) sınıflandırma modelleri kullanılarak arasından en iyi sonucu bulmayı önermiştir. Veri seti dengesiz olduğu için SMOTE (Synthetic Minority Oversampling Technique) ve ADASYN (Adaptive Synthetic Sampling Method) tekniği ile örnekleme yapılmıştır. Çalışmada, 2 adet tahmin modeli önerilmiştir ve önerilen tahmin modelleri Veri Seti, Veri Ön İşleme, Veri Örnekleme, Değerlendirme olarak 4 farklı aşamadan oluşmaktadır. Veri Ön İşleme aşamasında, kullanılmayan ve önemsiz özniteliklerin veri setinden çıkartılması, normalizasyon, şifreleme (encoding) ve aşırı örnekleme gibi birçok yöntem kullanılmıştır. Performans ölçütü olarak Doğruluk Oranı (Accuracy Rate), Geri Çağırma (Recall), Hassasiyet (Precision) ve Özgünlük (Specificity), Dengelenmiş Doğruluk Oranı ve ROC Eğrisi Altındaki Alan (ROC-AUC) değeri kullanılmıştır. Performans ölçütlerine bakıldığında önerilen en iyi tahmin modeli ADASYN örnekleme yöntemi kullanılan model olmuştur. Sınıflandırma yöntemi olarak en iyi sonucu veren LightGBM (Light Gradient Boosting Machine) tekniği olmuştur. Önerilen modeller arasında Veri Ön İşleme ve Veri Örnekleme aşamalarında farklılıklar bulunmaktadır. Bu çalışmada önerilen tahmin modellerinin eğitim süresi, benzer çalışmalara göre daha iyi performans sağladığı tespit edilmiştir. Ayrıca bu çalışmada, sadece 58 öznitelik kullanarak 172 öznitelik kullanan benzer çalışmaların başardığına çok yakın sonuçlar elde edilmiştir.

Bu çalışmada, yapay sinir ağları kullanılarak altın fiyat değişim yönü tahmin edilmiştir. Altın fiyatındaki değişimlerin tahmini araştırmacılar ve özellikle yatırımcı olan karar vericiler açısından önem taşıyan bir konudur. Literatürde altın fiyatını etkileyen parametrelerin belirlenmesi ve altın değerinin tahmin edilmesi amacıyla farklı yöntemler ile yapılmış birçok çalışma bulunmaktadır. Tahmin yöntemleri, kantitatif ve kalitatif yöntemler olarak ikiye ayrılmaktadır. Bu çalışmada kantitatif yöntemler arasında yer alan yapay sinir ağları kullanılarak altın fiyatındaki değişim yönünün (Artış - Azalış) tahmin edilmesi hedeflenmiştir. Çalışmada 2007 ile 2015 yılları arasındaki aylık veriler kullanılmıştır. Çalışmada bağımlı değişken olarak Türkiye’deki altının gram fiyatı esas alınmış ve bağımsız değişkenler olarak ham petrol fiyatı, dolar endeksi, dolar kuru, Standard amp;Poor’s 500 endeksi, BIST100 endeksi, Türkiye enflasyon, tahvil ve faiz oranları, ABD enflasyon, tahvil ve faiz oranları, gümüş ve bakır fiyatları kullanılmıştır. Çalışmada, bağımlı değişkenin gelecekteki değerinin tahmininin yapılması için, bağımsız değişkenlerin bir ay önceki değerleri kullanılmıştır. Çalışma neticesinde gram altın fiyatındaki değişim yönünün tahmin başarım oranı %75,24 olarak bulunmuştur.