Zaman serisi ve makine öğrenmesi modelleri ile hava kirliliğinin tahmini
Prediction of air pollution with time series and machine learning models
- Tez No: 1019619
- Danışmanlar: PROF. DR. GÜLHAYAT GÖLBAŞI ŞİMŞEK
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Çok değişkenli zaman serileri, Multivariate time series
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmanın amacı, meteorolojik faktörlerin hava kirliliği üzerindeki etkilerini incelemek ve farklı tahmin modellerinin performanslarını karşılaştırmalı olarak analiz etmektir. Analizler, 2010–2014 yılları arasındaki saatlik gözlemlerden oluşan 43.800 satırlık geniş bir veri seti ile gerçekleştirilmiştir. Bağımlı değişken olarak hava kirliliği seviyesi (PM_2.5 ) ele alınmış; bağımsız değişkenler olarak ise çiğ noktası, sıcaklık, basınç, rüzgâr hızı, yağış miktarı ve döngüsel rüzgâr yönü verileri kullanılmıştır. Modelleme sürecinde, geleneksel zaman serisi yöntemi olarak ARIMAX; makine öğrenmesi ve derin öğrenme yöntemleri olarak ise Rastgele Orman (RF), Destek Vektör Regresyonu (Lineer ve RBF tabanlı SVR) ve Uzun Kısa Süreli Bellek (LSTM) ağları kullanılmıştır. Analiz sonuçları, tüm modellerin %91'in üzerinde yüksek açıklayıcılık oranına (R^2) sahip olduğunu göstermiştir. Özellikle LSTM modelinin %92,58 R^2 değeri ile genel varyansı en iyi açıklayan model olduğu; Radial tabanlı SVR modelinin ise %22,87 MAPE değeri ile yüzdesel hata bazında en kararlı tahminleri ürettiği belirlenmiştir. Elde edilen bulgular, hava kirliliği tahmininde serinin geçmiş değerlerinin en baskın faktör olduğunu, ancak meteorolojik değişkenlerin modele dahil edilmesinin tahmin doğruluğunu önemli ölçüde artırdığını ortaya koymuştur. Bu çalışma, hava kalitesi izleme ve erken uyarı sistemleri için farklı modelleme yaklaşımlarının güçlü ve zayıf yönlerini ortaya koyan uygulamalı bir çerçeve sunmaktadır.
Özet (Çeviri)
The aim of this study is to examine the effects of meteorological factors on air pollution and to analyze the performances of different prediction models comparatively. The analyses were conducted using a large dataset of 43,800 hourly observations between 2010 and 2014. Air pollution level (PM_2.5 ) was taken as the dependent variable, while dew point, temperature, pressure, wind speed, precipitation, and cyclic wind direction data were used as independent variables. In the modeling process, ARIMAX was utilized as the traditional time series method, while Random Forest (RF), Support Vector Regression (Linear and RBF-based SVR), and Long Short-Term Memory (LSTM) networks were employed as machine learning and deep learning methods. The analysis results showed that all models had a high explanatory rate (R^2) of over 91%. Specifically, it was determined that the LSTM model was the best model for explaining the overall variance with an R^2 value of 92,58% , while the Radial-based SVR model produced the most stable predictions in terms of percentage error with a MAPE value of 22,87%. The findings revealed that the past values of the series were the most dominant factor in air pollution prediction; however, the inclusion of meteorological variables in the model significantly increased the prediction accuracy. This study provides an applied framework demonstrating the strengths and weaknesses of different modeling approaches for air quality monitoring and early warning systems.
Benzer Tezler
- Güneş enerji santrallerinde makine öğrenmesi algoritmaları ve coğrafi bilgi verileri kullanılarak enerji üretiminin tahminlenmesi
Prediction of energy production in solar power plants usi̇ng machine learning algorithms and geographic information data
EREN POLATCAN
Yüksek Lisans
Türkçe
2024
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. HAYRİ HAKAN DENLİ
- Yapay zeka teknikleri ile afet sonrası hava kirlilik tahmini
Post-disaster air pollution forecast with artificial intelligence techniques
ONUR YILMAZ
Yüksek Lisans
Türkçe
2025
İstatistikHacettepe Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. GAMZE ÖZEL KADILAR
- Ana sisteme bağlı bir mikro şebeke için gün içi elektrik piyasasına dayalı çizelgeleme
Energy scheduling for a microgrid connected to the main grid based on real time electricity market
EMRAH ERDEM UFLUOĞLU
Doktora
Türkçe
2018
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLGÜN KAYAKUTLU
- Automated plastic waste detection and visualization in coastal areas using UAVs and deep learning
İnsansız hava araçları ve derin öğrenme kullanılarak kıyı bölgelerinde otomatik plastik atık tespiti ve görselleştirilmesi
HESAM HATAMZADEH KHANGHAHI
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiVeri Mühendisliği ve İş Analitiği Ana Bilim Dalı (disiplinlerarası)
PROF. DR. ŞULE ITIR SATOĞLU
- Hava yolları uçuş ekibi ihtiyacının makine öğrenmesi ve zaman serisi modelleri ile tahmini
Forecasting airline flight crew needs using machine learning and time series models
KAAN TOPRAK
Doktora
Türkçe
2025
İstatistikKaradeniz Teknik Üniversitesiİstatistik ve Bilgisayar Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ UĞUR ŞEVİK