Dynamic pricing based on demand response using machine learning
Makine öğrenenimi kullanılarak talep cevabına dayalı dinamik fiyatlandırma
- Tez No: 947357
- Danışmanlar: DOÇ. MUSTAFA BAYSAL
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu araştırmada amaç, dinamik fiyatlandırma için derin öğrenme yaklaşımını kullanarak arz tarafı yönetim sisteminin performansını veri belirsizliği karşısında incelenmesidir. Pekiştirme aracı olarak aktör-eleştirmen aracı yöntemini kullanılarak, hem enerji talebi hem de fiyatlara ilişkin yüksek düzeyde tahmine dayalı veriler elde edilerek, enerji tüketimi kalıplarının ve fiyat dalgalanmalarının kapsamlı bir şekilde anlaşılması kolaylaştırıldı. Önerilen takviye öğrenmeye dayalı dinamik fiyatlandırma yaklaşımı, iki tahmin senaryosu aracılığıyla değerlendirilmiştir: gerçek ve öngörülen talebin karşılaştırılması ve gerçek ve öngörülen fiyatların karşılaştırılması. İlk olarak, temel tahminler için uzun kısa süreli hafıza (LSTM) modeli kullanıldı. Daha sonra tahminleri iyileştirmek için derin RL modeli uygulandı ve dikkate değer iyileştirmeler sağlandı. Derin RL modelinin 30 dakikalık aralıklarla fiyat tahminlerinde %99'luk kayda değer bir doğruluk oranına ulaşması dikkat çekicidir. Bulgular, önerilen modelin hem talebi hem de fiyatı doğru bir şekilde tahmin etmedeki etkinliğini ve dolayısıyla enerji yönetimi amaçlarına uygunluğunu kesin olarak göstermektedir.
Özet (Çeviri)
This study investigates the performance of a supply-side management system under data uncertainty, employing a deep reinforcement learning approach for dynamic pricing. The Actor-Critic method was adopted to generate predictive insights into energy demand and pricing. The proposed Reinforcement Learning-Based Dynamic Pricing Approach was evaluated across two scenarios: predicting demand and forecasting prices. Initially, a Long Short-Term Memory (LSTM) model was used for baseline predictions, which were further improved using the deep reinforcement learning model
Benzer Tezler
- Çift makine öğrenmesi çerçevesinde fiyat esnekliği analizi: Geliştirilmiş yöntemsel bir model
Price elasticity analysis in a double machine learning framework: An improved methodological model
İREM ODABAŞI
- Türkiye enerji piyasasının makine öğrenmesi uygulamasıyla düşük-karbon salımına geçişte ajan temelli modellenmesi
Turkish energy market agent-based modeling for low-carbon transition with machine learning application
BURAK GÖKÇE
Doktora
Türkçe
2026
İstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
Yükleniyor...
- Envanter tahsisinde arz ve talebin dengelenmesindeki farklı stratejilere yönelik stokastik model yaklaşımı
Stochastic model approach to different strategies for balancing supply and demand in iventory allocation
FURKAN KEMAL DİNÇER
- Origin and destination based demand of continuous pricing for airline revenue management
Havayolu gelir yönetimi için sürekli fiyatlandırma yapısında başlangıç ve varış yerine dayalı talep tahmini
MEHMET MELİH DEĞİRMENCİ
- Cognitive communication techniques for next-generation heterogeneous networks
Gelecek nesil heterojen ağlar için bilişsel iletişim teknikleri
ÖZGÜR ERGÜL
