Comparison of artificial neural networks and deep learning methods for predicting export prices of agricultural products
Tarım ürünlerinin ihracat fiyatlarının tahminlenmesinde yapay sinir ağları ve derin öğrenme yöntemlerinin karşılaştırılması
- Tez No: 905217
- Danışmanlar: PROF. DR. YALÇIN ÇEBİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 70
Özet
Tarımsal üreticiler ve tarımsal işletmeler, etkili bir strateji oluşturmak için ihtiyaçlarını ve çözümlerini öngörme gereksinimi taşımaktadır. Tahminlemenin amacı, üreticilerin gelecekteki fiyat dalgalanmalarına karşı harcamalarını, üretim kapasitelerini ve üretim desenlerini belirlemelerine yardımcı olmaktır. İşletmelerin de, fiyatla ilgili potansiyel problemleri önceden görüp buna uygun stratejiler geliştirmelerine yardımcı olmaktır Bu durum, ayrıca uygun fiyat politikalarının belirlenmesine de rehberlik edebilir. Tahminleme, uzun süredir lineer istatistiklerin bir çalışma alanı olmuştur. ARIMA, zaman serileri tahminlerinde geleneksel yaklaşımlar arasında yer almaktadır. Gerçek hayattaki sistemler genellikle doğrusal olmadığından, bu yöntemleri kullanmak bazen hatalı sonuçların ortaya çıkmasına neden olabilmektedir. Çalışmada, Türkiye'nin önemli tarımsal ihracat ürünlerinden kuru incir, kuru üzüm ve kuru kayısının ihracat fiyatları tahmin edilmiştir. Doğrusal olmayan problemlerin çözümünde günümüzde yaygın olarak yararlanılan ve geleneksel yöntemlere göre daha az hata üreten geri yayılımlı Yapay Sinir Ağı (YSA) ve derin öğrenme modellerinden Uzun-Kısa Süreli Bellek Ağı (LSTM) kullanılarak tahmin yapılmıştır. Tahminde ham petrol fiyatı, iklim değerleri, ürünlerin yıllık üretim miktarı, enflasyon oranı, kuru incir ilk ihraç tarihi, döviz kuru, rekolte miktarı ve RASFF (Gıda ve Yemde Hızlı Alarm Sistemi) alarm parametreleri dikkate alınmıştır. Bahsedilen parametreler dikkate alınarak bir veri seti oluşturulmuştur. Parametreler ışığında yapay sinir ağı eğitilirken her bir model farklı katman sayıları denenmiştir. Ardından LSTM ağı için de benzer ön işlemlerden sonra zaman serisi analizi modeli oluşturulup, eğitilmiştir. Elde edilen sonuçlar test verileriyle karşılaştırılmış ve sonrasında eğitim hataları hesaplanmıştır. YSA modelinde, kuru incir ihracat fiyatı için %88, kuru üzüm ihracat fiyatı için %86, kuru kayısı için ise %91 regresyon (R2) değerlerine ulaşılmıştır. LSTM ağı kullanılan modelde, kuru incir ihracat fiyatı için %91, kuru üzüm ihracat fiyatı için %88, kuru kayısı için ise %93 regresyon (R2) değerlerine ulaşılmıştır. Sonuç olarak, Derin Öğrenme modellerinden olan LSTM ağı metodunun, bir makine öğrenmesi metodu olan YSA'ya göre daha kararlı ve performanslı sonuçlar verdiği görülmüştür. R2 değerleri dikkate alındığında, Derin Öğrenme metodunun kuru incir için %11, kuru üzüm için %3, kuru kayısı için ise %3 daha iyi sonuç verdiği görülmüştür.
Özet (Çeviri)
Nowadays, farmers and businesses that need to decide on their transaction volumes need to predict their needs and solutions within the framework of a good plan. The purpose of prediction is to enable farmers to determine future expenditures, production capacities and patterns against price fluctuations. It is to enable the enterprises to act by anticipating the price-related problems they may encounter. It can also be a reference for the establishment of appropriate price policies. Prediction has long been a field of study in linear statistics. In traditional approaches such as time series prediction, methods such as ARIMA are used. Since real-life systems are often nonlinear, using these methods can sometimes lead us to erroneous results. In this study, price prediction is performed for dried figs, raisins and dried apricots, which are among the most important agricultural export products of Türkiye. Prediction is done by using back-propagation artificial neural network (ANN) and Long-Short Term Memory (LSTM) Network, one of the deep learning methods, which are effectively used in solving nonlinear problems today and give less erroneous results compared to traditional prediction methods. For prediction; climate, crude oil, annual production amount, inflation rate, exchange rate, first export date, yield, and RASFF (Rapid Alert System in Food and Feed) alarm parameters were used. A data set was created by taking the selected parameters. While training the artificial neural network in the light of the parameters, each model was tested with different number of layers. Then, a time series analysis model was created and trained for the LSTM network after similar preliminary procedures. The results were compared with the test data and then the training errors were calculated. In the ANN model, regression (R2) values of 88% for dried fig export price, 86% for raisin export price and 91% for dried apricot were obtained. In the model using LSTM network, regression (R2) values of 91% for dried fig export price, 88% for raisin export price and 93% for dried apricot were obtained. The LSTM network, which is one of the deep learning models, has been found to be more stable and performant than ANN, which is a machine learning model. For forecasting; climate, crude oil, annual production amount, inflation rate, exchange rate, first export date, yield, cost, and RASFF (Rapid Alert System in Food and Feed) alarm parameters were used. A data set was created by taking the selected parameters. The data set is divided into two training and test data. While training the artificial neural network in the light of the parameters, each model was tested with different number of layers. As a result, it was observed that the LSTM network method, which is one of the deep learning models, gives more stable and performant results than ANN, which is a machine learning method. Considering the R2 values, it was seen that the Deep Learning method gave 11% better results for dried figs, 3% better results for raisins and 3% better results for dried apricots.
Benzer Tezler
- Konutlarda enerji tüketimi kestirimi için derin öğrenme ve makine öğrenme yöntemlerinin karşılaştırılması
Comparison of deep learning and machine learning methods for estimating energy consumption in houses
EROL YAVUZ
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi-CerrahpaşaElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYSEL ERSOY YILMAZ
- 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
ÖMER EVCİM
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
DOÇ. DR. İHSAN HAKAN SELVİ
- 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
- Kelime gömme vektörlerinin graf dönüşümü yoluyla metin sınıflandırmada kullanımı
Use of word embedding vectors in text classification through graph conversion
ELİF DORUKBAŞI
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. İLKER TÜRKER
- Türkçe metinlerde farklı temsil modelleri ve öğrenme yöntemleri ile duygu analizi karşılaştırması
Comparison of sentiment analysis with different representation models and learning methods in Turkish texts
KADRİYE MARANGOZ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA ÖZGÜR CİNGİZ