Comparison of computational intelligence models on forecasting atm demands
İşlemsel zeka modellerin atm ihtiyaçlarının tahmin edilmesi üzerinde karşılaştırılması
- Tez No: 573441
- Danışmanlar: DOÇ. DR. ALİ FUAT ALKAYA, YRD. DOÇ. FATMA CORUT ERGİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 72
Özet
ATM'lerin (Otomatik Para Çekme Makineleri) kullanımı, insanların ihtiyaç duyduklarında anında nakit paraya ulaşmaları için çok önemlidir. Müşterilerin bu talebini karşılamak için bankalar, ATM'lerin ne zaman ziyaret edilmesi ve ne kadar bakiye yüklenmesi gerektiğini belirlemelidir. Bu durumda, cevaplanması gereken ilk soru, önümüzdeki günlerde ATM'lerden ne kadar para çekileceğinin tahmin edilmesidir. Bu çalışmada, işlemsel zeka tekniklerinden faydalanıp geçmiş nakit çekim işlemlerini ve bilgilerini kullanarak, bu soruna bir çözüm üretiyoruz. Bu çalışma, geçmişte yapılan NN5 yarışmasında kullanılan İngiltere bankalarından alınan ATM verilerine kıyasla, Türkiye'nin en büyük bankalarından birinden alınan ATM verilerinin desenlerinin oldukça uçucu olması misyonumuzun zor bir görev olduğunu göstermektedir. Klasik zaman serileri tahmin modellerinin, İngiltere'den alınan ATM verileri üzerinde gayet iyi sonuçlar üretmesine rağmen, bizim ATM verilerimizde iyi performans gösterememelerinin nedeni de budur. Bu gerçeği göz önünde bulundurarak, en iyi performans gösteren modelleri bulmak için parametre alanını kapsamlı bir şekilde araştırarak farklı işlemsel zeka modelleri oluşturduk ve doğruluk ve zaman performans sonuçlarına göre detaylı karşılaştırmayı sunduk. Sonuçlar, SVM'den (Destek Vektör Makineleri) uyarlanan SVR'nin (Destek Vektör Regresyonu) ve evrensel tahminleyiciler olarak bilinen ANN'nin (Yapay Sinir Ağları) diğerlerinden çok daha iyi performans ortaya koyduğunu göstermektedir. Öte yandan, parametre ağırlıklarını güncellemek için doğrudan gradyan hesaplamaları yerine gradyan tahminlemelerini kullanan SPSA (Eşzamanlı Pertürbasyon Stokastik Yaklaşımı), gelecekteki iyileştirmeler için iyi bir işaret olacağına dair umut verici bir performans göstermektedir.
Özet (Çeviri)
Usage of ATMs (Automated Teller Machines) is crucial for people to reach cash money instantly when they need it. To satisfy this demand of the customers, banks have to determine when to visit and how much to load to each ATM of the bank. The primary question that needs to be answered turns out to be forecasting how much money will be withdrawn from the ATMs in the next days. In this study, we exploit computational intelligence techniques to solve this problem via using past transactions and their features. This study shows that our mission is a difficult task since our ATM data, taken from one of the largest banks in Turkey, have too volatile withdrawal patterns when compared to ATM data taken from UK banks. This is the reason why classical time series forecasting models do not perform well on our ATM data, although we know that they perform competitively on ATM data taken from the UK banks. According to this fact, we implemented different computational intelligence models with extensive search of their parameter space for finding the best performing models and present the detailed comparison with respect to their accuracy and time performance. The results show that SVR (Support Vector Regression) adapted from Support Vector Machines and ANN (Artificial Neural Networks), already known as universal approximators, outperform the others. On the other hand, SPSA (Simultaneous Perturbation Stochastic Approximation) which uses gradient approximations for updating its weights rather than direct gradient calculations shows promising performance to be a good sign for future improvements.
Benzer Tezler
- Time series forecasting via computational intelligence methods
Zaman serileri tahminlemede bilgi işlemsel zeka uygulamaları
ATAKAN ŞAHİN
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. TUFAN KUMBASAR
- Derin pekiştirmeli öğrenme yöntemi ile görüntü hash kodlarını oluşturma
Generating image hash codes with deep reinforcement learning method
ELİF AKKAYA
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURHAN BARAKLI
- State of charge estimation of lithium-ion batteries using machine learning approach
Makine öğrenmesi yaklaşımı kullanılarak lityum iyon pillerin şarj durumu tahmini
OSMAN ALPER ALTUN
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. EMİNE AYAZ
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Derin öğrenme yöntemleri ile zaman serisi tahmini
Time series classification with deep learning methods
HAKAN GÜNDÜZ
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE