Makine öğrenmesi yaklaşımları ile tomruk satış fiyatlarının modellenmesi ve fiyat tahmini
Modeling and price forecasting of log sale prices using machine learning approaches
- Tez No: 1025152
- Danışmanlar: PROF. DR. GÖKHAN ŞEN
- Tez Türü: Yüksek Lisans
- Konular: Ormancılık ve Orman Mühendisliği, Forestry and Forest Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Kastamonu Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Orman Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, Türkiye'de kızılçam normal boy tomruk açık artırmalı satış fiyatlarının makine öğrenmesi yöntemleri kullanılarak tahmin edilmesi amaçlanmıştır. Bu kapsamda, Orman Genel Müdürlüğü tarafından yayımlanan Ocak 2014–Aralık 2024 dönemine ait aylık satış verileri kullanılmıştır. Çalışmada, Türkiye'de kızılçam satışı gerçekleştirilen 21 Orman Bölge Müdürlüğüne ait veriler ile mevduat faiz oranı, sanayi üretim endeksi, TÜFE, ÜFE, döviz kuru, altın fiyatı, mazot fiyatı, gayrisafi yurt içi hasıla, ithalat ve ihracat göstergeleri modele dâhil edilmiştir. Modelleme sürecinde gecikmeli fiyat değişkenleri oluşturulmuş, kategorik değişkenler one-hot encoding yöntemiyle dönüştürülmüş ve Robust Scaler yöntemi kullanılarak veri ölçeklendirilmiştir. Çalışmada Linear Regression, Ridge Regression, Random Forest, XGBoost ve LightGBM algoritmaları uygulanmış; hiperparametre optimizasyonu Time Series Split tabanlı çapraz doğrulama yaklaşımı ile gerçekleştirilmiştir. Model performansları R², RMSE, MAE, NSE, KGE, MedAE ve sMAPE ölçütleri kullanılarak değerlendirilmiş, Entropi ve TOPSIS yöntemleri ile modeller sıralanmış, SHAP analizi ile değişken önem düzeyleri belirlenmiştir. Araştırma sonuçları, ağaç tabanlı makine öğrenmesi algoritmalarının doğrusal regresyon modellerine göre daha başarılı tahmin performansı sergilediğini göstermiştir. Performans değerlendirmeleri sonucunda XGBoost modeli en başarılı yöntem olarak belirlenmiştir. Ayrıca, 2025 yılına ait gerçek ve tahmin edilen fiyatlar karşılaştırılmış, XGBoost modeli kullanılarak 2026–2035 dönemine ilişkin fiyat projeksiyonları oluşturulmuştur. Sonuç olarak, geliştirilen modelin tomruk fiyatlarının tahmininde başarılı sonuçlar verdiği ve ormancılık ekonomisinde veri temelli karar verme süreçlerine katkı sağlayabilecek bir karar destek aracı niteliği taşıdığı değerlendirilmektedir.
Özet (Çeviri)
This study aimed to predict the auction sales prices of Turkish pine (Pinus brutia) standard-length logs in Türkiye using machine learning methods. Monthly auction sales data published by the General Directorate of Forestry covering the period from January 2014 to December 2024 were used. The dataset included sales data from 21 Regional Directorates of Forestry where Turkish pine logs are marketed, together with macroeconomic and market-related variables, including deposit interest rates, the industrial production index, the Consumer Price Index (CPI), the Producer Price Index (PPI), exchange rates, gold prices, diesel prices, gross domestic product (GDP), and import and export indicators. During the modelling process, lagged price variables were generated, categorical variables were transformed using one-hot encoding, and data were scaled using the Robust Scaler method. Linear Regression, Ridge Regression, Random Forest, XGBoost, and LightGBM algorithms were applied. Hyperparameter optimization was performed using a Time Series Split-based cross-validation approach. Model performance was evaluated using R², RMSE, MAE, NSE, KGE, MedAE, and sMAPE metrics. In addition, the models were ranked using the Entropy and TOPSIS methods, and the importance of predictor variables was examined through SHAP analysis. The results indicated that tree-based machine learning algorithms outperformed linear regression models in predicting log prices. Among the evaluated models, XGBoost achieved the best overall performance. Furthermore, actual and predicted prices for 2025 were compared to assess the model's predictive capability, and future price projections for the 2026–2035 period were generated using the XGBoost model. In conclusion, the proposed model demonstrated satisfactory performance in predicting log prices and has the potential to serve as a decision-support tool for data-driven decision-making in forest economics.
Benzer Tezler
- Makine öğrenmesi yaklaşımları ile avuç içi tanıma sisteminin geliştirilmesi
Development of palm recognition system with machine learning approaches
NADIM MILOUD ALFATOURI SHARIF
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiKastamonu ÜniversitesiMalzeme Bilimi ve Mühendisliği Ana Bilim Dalı
PROF. DR. AYBABA HANÇERLİOĞULLARI
- Makine öğrenmesi yaklaşımları ile fetal sağlık teşhisinin gerçekleştirilmesi
Realisation of fetal health diagnosis with machine learning approaches
ADEM KUZU
Yüksek Lisans
Türkçe
2024
KardiyolojiFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YUNUS SANTUR
- Makine öğrenmesi yöntemleri ile botnet saldırı tespiti: Boyut indirgeme yaklaşımları
Botnet attack detection with machine learning methods: Dimension reduction approaches
AYŞEGÜL SAĞLAM GÜLBAĞÇA
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAfyon Kocatepe ÜniversitesiBilgisayar Ana Bilim Dalı
DOÇ. DR. GÜR EMRE GÜRAKSIN
- İç mekân ısıl konforunun makine öğrenmesi yaklaşımları ile uluslararası veri tabanları kullanılarak modellenmesi
Modeling of indoor thermal comfort by machine learning approaches using international databases
AMIR RAHMANPARAST
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET SELİM DALKILIÇ
DR. ÖĞR. ÜYESİ MUHAMMED MİLANİ
- Yüz resimlerinden çoklu makine öğrenmesi yaklaşımları ile yaş ve cinsiyet bilgisinin tespit edilmesi
Estimating of age and gender information from face images with multiple machine learning methods
UĞUR TURHAL
Yüksek Lisans
Türkçe
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYalova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET AKBAŞ