Geri Dön

IoT tabanlı yapay zekâ yöntemleriyle enerji tüketiminin tahmini ve LSTM-ML karşılaştırması

Energy consumption prediction using IoT-based artificial intelligence methods: A comparative study of LSTM and machine learning models

PDF İndir

  1. Tez No: 1017821
  2. Yazar: ALIREZA ESMAEILI JOBANI
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ŞÜKRÜ MUSTAFA KAYA
  4. Tez Türü: Yüksek Lisans
  5. Konular: Enerji, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Energy, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Nesnelerin interneti, Yapay zeka ve makine öğrenmesi dersi, İnsan-yapay zeka etkileşimi, Internet of things, Artificial intelligence and machine learning course, Human-artificial intelligence interaction
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: İstanbul Aydın Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez çalışmasında, veri merkezi ortamını temsil eden simülasyon tabanlı bir IoT veri seti kullanılarak enerji tüketimi tahmini gerçekleştirilmiştir. Çalışma kapsamında klasik makine öğrenmesi yöntemleri olan Random Forest ve Support Vector Regression (SVR), derin öğrenme yaklaşımı olan Long Short-Term Memory (LSTM) modeli ve hibrit LSTM–SVR mimarisi karşılaştırılmıştır. Model performansı Ortalama Mutlak Hata (MAE), Kök Ortalama Kare Hatası (RMSE) ve Ortalama Mutlak Yüzde Hata (MAPE) metrikleri ile değerlendirilmiştir. Deneysel sonuçlar, LSTM modelinin tüm hata metrikleri açısından en düşük hata değerlerini üreterek en yüksek tahmin doğruluğunu sağladığını göstermiştir. Elde edilen bulgular, zaman serisi verilerinde derin öğrenme tabanlı modellerin klasik makine öğrenmesi yöntemlerine göre daha başarılı sonuçlar verebildiğini ortaya koymaktadır. Çalışmaya ek olarak 1D-CNN modeli ve Optuna tabanlı hiperparametre optimizasyonu tamamlayıcı deneysel analiz kapsamında değerlendirilmiş; bu analiz, ana model karşılaştırmasının sonuçlarını değiştirmeden alternatif model yapılarını incelemek amacıyla sunulmuştur.

Özet (Çeviri)

In this thesis, energy consumption forecasting was performed using a simulation-based IoT dataset representing a data center environment. Classical machine learning methods including Random Forest and Support Vector Regression (SVR), the deep learning-based Long Short-Term Memory (LSTM) model, and a hybrid LSTM–SVR architecture were comparatively evaluated. Model performance was assessed using Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Mean Absolute Percentage Error (MAPE). Experimental results showed that the LSTM model achieved the lowest error values across all evaluation metrics and provided the highest prediction accuracy. The findings indicate that deep learning-based approaches can outperform classical machine learning methods in time-series energy consumption forecasting problems. A 1D-CNN model and Optuna-based hyperparameter optimization were additionally evaluated as a complementary experimental analysis. This analysis was presented to examine alternative model configurations without changing the main comparative findings of the thesis.

Benzer Tezler

  1. Tez No

    966916

    Memristör tabanlı bellek içi hesaplama devrelerinde sıxor entegrasyonu ile enerji verimliliği ve hız optimizasyonu

    Energy efficiency and speed optimization in memristor-based in-memory computing circuits through sixor integration

    ELİF ÖZTÜRK

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ZEHRA GÜLRU ÇAM TAŞKIRAN

  2. Tez No

    863387

    New edge computing offloading methods for next generation wireless networks

    Yeni nesil haberleşme sistemleri için geliştirilen kenar ağlarda bilgi işlem yük boşaltma yöntemleri

    BESTE ATAN

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. LÜTFİYE DURAK ATA

  3. Tez No

    756144

    Smart city concept and urban planning: Geographical analysis of the smart city index and implications for Turkish context

    Akıllı kent kavramı ve kent planlama: Akıllı kent indeksinin coğrafi çözümlemesi ve Türkiye bağlamına ilişkin çıkarsamalar

    KABEER SALEH TIJJANI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Şehircilik ve Bölge PlanlamaMersin Üniversitesi

    Şehir ve Bölge Planlama Ana Bilim Dalı

    YRD. DOÇ. DR. YASEMİN SARIKAYA LEVENT

  4. Tez No

    841195

    Mikroşebekelerde ada mod çalışmanın tespiti ve güç kalitesi olaylarının sınıflandırılması için yapay zekâ tabanlı kontrol yöntemlerinin geliştirilmesi

    Development of artificial intelligence based control methods for detection of islanding conditions and classification of power quality events in microgrids

    ALPER YILMAZ

    Doktora

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiBursa Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKAY BAYRAK

  5. Tez No

    940956

    Energy efficiency and security of rıs-aided communication networks

    Ris-tabanli haberleşme ağlarinda enerji verimliliği ve güvenlik

    HAKAN ALAKOCA

    Doktora

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    PROF. DR. LÜTFİYE DURAK ATA

Geri Dön