Yapay sinir ağlarının kriz anlarında baltık kuru yük endeksini tahminleme performansı
The performance of artificial neural networks in predicting the baltic dry index in moments of crisis
- Tez No: 842854
- Danışmanlar: DR. ÖĞR. ÜYESİ ENDER GÜRGEN
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, İşletme, Engineering Sciences, Business Administration
- Anahtar Kelimeler: Yapay Sinir Ağları, Derin Öğrenme, ANN, LSTM, CRNN, 1D-CNN, BDI, Tahminleme, Artifical Neural Networks, Deep Learning, Baltic Dry Index, ANN, LSTM, CRNN, 1D-CNN, BDI, Forecasting
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Mersin Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 61
Özet
Bu çalışmada kuru yük ve konteyner taşımacılığında navlun fiyatlandırma da önemli bir etken olan Baltık Kuru Yük Endeksi'nin (BDI) bugüne kadar yaşanmış olan Covid-19 pandemisi ve 2008 global krizi zamanlarındaki davranışını üç Yapay Sinir Ağ modeli ile incelenip metrik değerlerine bakılarak hangi modelin kriz zamanlarında öngörü için daha uygun olduğu hakkında bulgulara yer verilecektir. Kıyaslama için seçilen modeller 1D-CNN, CRNN, LSTM modellerdir. Tüm modeller eğitilirken değer kaybına göre erken durdurma sağlanacak şekilde 200 iterasyonla eğitime sokulmuştur. Her üç modelde iki farklı veri seti için iki farklı bölünme için 10 kez eğitilmiştir ve çıkan sonuçlar doğrultusunda tahminleme için en iyi model önerilmiştir.
Özet (Çeviri)
Baltic Dry Index (BDI) is an important factor in dry cargo and container transportation pricing. In this study, the behavior of BDI is analyzed in Covid-19 pandemic and 2008 financial crisis using 1D-CNN, CRNN, LSTM neural network models. The analysis consists of assessment for metric values and conclusion where it's decided which model is better for forecasting of the future values. All of the models trained with 200 epochs and early stopping is applied according to value loss. Each models are trained with Covid-19 and 2008 financial crisis datasets and two different train test data splitting methods.
Benzer Tezler
- Deep learning for wind energy systems using the hurst exponent and statistical parameters
Hurst üslü ve istatistiksel parametreleri kullanarak rüzgar enerjisi sistemleri için derin öğrenme
BEHNAZ ALAFI
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Contribution a la recherche d'un cadre juridique pour un droit international de laconcurrence plus efficace
Daha etkin bir uluslararası rekabet için hukuki çerçeve arayışı
ALİ CENK KESKİN
Doktora
Fransızca
2009
HukukGalatasaray ÜniversitesiKamu Hukuku Ana Bilim Dalı
PROF. DR. JEAN MARC SOREL
PROF. DR. HALİL ERCÜMENT ERDEM
- Aircraft detection from large scale remote sensing images with deep learning techniques
Büyük ölçekli uzaktan algılama görüntülerinden derin öğrenme teknikleriyle uçak tespiti
MEHMET SOYDAŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- The effectiveness of artificial intelligence in financial analysis: ISE100
Finansal analizde yapay zekanın etkinliği: BIST100
FİKRİYE KARACAMEYDAN
Doktora
İngilizce
2023
BankacılıkAnkara Yıldırım Beyazıt ÜniversitesiFinans ve Bankacılık Ana Bilim Dalı
DOÇ. DR. ERHAN ÇANKAL
- Derin öğrenme ile yeşil alanların çıkarımı
Exraction of green areas with deep learning
YUSUF YEKTA GÜZEL
Yüksek Lisans
Türkçe
2021
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ANİME MELİS UZAR DİNLEMEK