Geri Dön

Derin öğrenme ve istatistiksel modelleme yöntemleri ile günlük doğalgaz tüketiminin tahmini ve karşılaştırılması

Estimation and comparison of daily natural gas consumption with deep learning and statistical modeling methods

  1. Tez No: 595403
  2. Yazar: ÖMER EVCİM
  3. Danışmanlar: DOÇ. DR. İHSAN HAKAN SELVİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: Türkçe
  9. Üniversite: Sakarya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 88

Özet

Bu çalışmada, Ocak 2014 – Haziran 2018 arası 54 aylık döneme ait Sakarya ilinde gerçekleşen doğalgaz tüketim verileri kullanılarak istatisiksel tahmin yöntemlerinden zaman serisinin dönemsel otoregresif bütünleşik hareketli ortalama modeli ile birer günlük tahmini yapılmış, bu modelin başarımı basit yapay sinir ağları ve derin sinir ağlarının meteorolojik veriler de kullanılarak yapılan birer günlük tahminler ile başarısı karşılaştırılmıştır. Mevsimsel Otoregresif Bütünleşik Hareketli Ortalama modelinin (SARIMA) 365 günlük tahmin başarısı ortalama mutlak hata oranı cinsinden (MAPE) yüzde 10,33 olmuştur. Yapay sinir ağlarının üç farklı parametre seçme metodu ile oluşturulan veri kümeleri kullanılarak eğitilmesi sonucu basit Yapay Sinir Ağı ile 6,68, Derin Yapay Sinir Ağı ile 7,23 MAPE değerine ulaşılmıştır. Söz konusu parametrelerin yer aldığı yedi gün geçmişe kadar veriler kullanılarak Basit Öz Yineleyen Yapay Sinir Ağı (SRNN) ile 7,61, Uzun-Kısa Dönem Hazıfa Öz Yineleyen Sinir Ağları (LSTM) ile 6,45 ve Kapılı Öz Yineleyen Öğe Sinir Ağları (GRU) ile ise 6,38 MAPE oranına ulaşılmıştır. Araştırmada elde edilen bulgulara göre, uzman görüşü ile seçilen özellikler ile eğitilen kapılı öz yineleyen birim sinir ağı ile yapılan tahminlerin diğer yötemlerden daha iyi sonuçlar verdiği görülmüştür.

Özet (Çeviri)

In this study, forecasts made for the next day's consumption of natural gas by using natural gas consumption data in Sakarya province between January 2014 and June 2018. Forecasts were made by the periodical autoregressive integrated moving average model with using only daily natural gas consumption values. However for the forecasts were made by simple neural networks and deep neural networks, has been used both natural gas consumption values and the meteorological values of Sakarya province. And success rates of those forecasts were compared each other. The 365-day forecast success of the Seasonal Autoregressive Integrated Moving Average model was 10.33 percent in terms of Mean Absolute Error Rate(MAPE) achieved. As a result of training of artificial neural networks by using data sets created with three different parameter selection methods, MAPE values of 6.68 with simple Artificial Neural Network and 7.23 with Deep Artificial Neural Network were reached. Using the data up to seven days in which these parameters are included, 7,61 with the Simple Recurrent Neural Network, 6,45 with the Long-Short-Term Memory Neural Networks and 6,38 with the Gated Recurrent Unit Neural Networks, Mean Absolute Percentage Error (MAPE) ratios has been reached. According to the findings obtained in this research, it was seen that the predictions made with the gated self-repeating unit neural network trained with the characteristics chosen by the expert opinion gave better results than other methods.

Benzer Tezler

  1. Essays on electricity price modeling and forecasting

    Elektrik fiyatlarının modellenmesi ve tahmini üzerine makaleler

    UMUT UĞURLU

    Doktora

    İngilizce

    İngilizce

    2019

    İşletmeİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. OKTAY TAŞ

  2. Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini

    Forecasting the spread of covid-19 using deep learning and big data analytics methods

    CYLAS KIGANDA

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    PROF. DR. MUHAMMET ALİ AKCAYOL

  3. Coğrafi bilgi sistemi tabanlı hidrolojik havza modellemesi ve makine öğrenmesi yöntemiyle hidrograf tahmini

    Geographic information systems-based hydrological basin modeling and hydrograph prediction using machine learning methods

    BURAK CAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    İnşaat MühendisliğiAkdeniz Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HALİL İBRAHİM BURGAN

  4. Machine learning applications for time series analysis

    Zaman serileri analizi için makine öğrenmesi uygulamaları

    MERT CAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Matematikİstanbul Teknik Üniversitesi

    Matematik Mühendisliği Ana Bilim Dalı

    PROF. DR. ATABEY KAYGUN

  5. Developing a decision-support system using machine learning and deep learning models for daily demand forecasting: A case study

    Günlük talep tahmini için makine öğrenimi ve derin öğrenme modelleri kullanarak karar destek sistemi geliştirme: Bir vaka çalişmasi

    RANA EZGİ KÖSE

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. FERHAN ÇEBİ