Geri Dön

Yapay sinir ağları ile talep tahminleme: elektrikli otomobiller

Demand forecasting with artificial neural networks: electric vehicles

PDF İndir

  1. Tez No: 954991
  2. Yazar: ELİF ÖZDER UYSAL
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ZAFER ÖZDEMİR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Nişantaşı Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 112

Özet

Bu çalışma, elektrikli araçların sigorta sistemleri üzerindeki teknik, davranışsal ve yapısal etkilerini çok boyutlu bir yaklaşımla incelemekte; aynı zamanda yapay sinir ağı tabanlı bir talep tahmin modeli geliştirerek sektöre stratejik katkı sunmayı amaçlamaktadır. Elektrikli araçların batarya sistemleri, yüksek voltajlı motorları ve yazılım kontrollü yapıları, geleneksel içten yanmalı araçlara göre farklı risk profilleri oluşturarak sigorta sektöründe yeni teminat türlerini zorunlu hale getirmektedir. Saha verileri, batarya arızaları (%42), elektrik kaynaklı yangınlar (%25) ve şarj altyapısı hasarları (%18) gibi yeni nesil risklerin yüksek frekansla ortaya çıktığını göstermektedir. Bu durum, elektrikli araç onarım maliyetlerini 2-3 kat artırmakta; sigorta şirketlerini ürün yapılarını yeniden tasarlamaya yönlendirmektedir. Ayrıca, Türkiye'de elektrikli araç kullanıcılarının %72'si kasko sigortası yaptırırken, bu oran içten yanmalı araç kullanıcılarında %58'de kalmaktadır. Bu fark, risk farkındalığı ve teminat tercihinde yaşanan zihinsel dönüşümün göstergesidir. Tez kapsamında geliştirilen yapay sinir ağları modeli, gelir düzeyi, çevresel bilinç, yaş grubu, sigorta farkındalığı, enerji maliyetleri ve fiyat/performans dengesi gibi çok sayıda bağımsız değişkeni kullanarak yüksek doğrulukla tahminleme yapmıştır. Modelin kurulumu Python ortamında TensorFlow kütüphanesiyle gerçekleştirilmiş, Rectified Linear Unit aktivasyon fonksiyonu ve Adaptive Moment Estimation optimizasyon algoritması kullanılmıştır. Model 500 epoch boyunca eğitilmiş, erken durdurma tekniği ile aşırı öğrenme riski minimize edilmiştir. İstanbul'un Kadıköy, Ataşehir ve Maslak gibi ilçelerinde elektrikli araç sahipliğinin %15'in üzerinde, kasko yaptırma oranlarının ise %80'e yakın olduğu tespit edilmiştir. Tüketici davranışları analizinde, gençlerin dijital sigorta platformlarına yöneldiği, orta yaş grubunun maliyet-etkin çözümler aradığı, ileri yaş grubunun ise güvenlik odaklı hareket ettiği belirlenmiştir. Ayrıca, çevresel kaygılar, sosyal statü algısı ve TOGG gibi yerli üretim markalara duyulan güven, elektrikli araç satın alma kararlarını etkileyen önemli psikososyal faktörler arasında yer almıştır. Sonuç olarak, elektrikli araçların sigorta sektörüne etkisi yalnızca teknik dönüşümle sınırlı kalmayıp, pazar dinamikleri, tüketici eğilimleri ve kamusal politikalarla iç içe geçen sistemsel bir değişimi temsil etmektedir. Sigorta şirketlerinin yapay sinir ağı tabanlı tahmin modellerini stratejik planlama süreçlerine entegre etmesi, kamu yatırımlarının şarj altyapısına yönlendirilmesi ve üreticilerin fiyat/performans odaklı stratejiler geliştirmesi

Özet (Çeviri)

This study examines the technical, behavioral, and structural impacts of electric vehicles on insurance systems through a multidimensional approach. It also aims to make a strategic contribution to the industry by developing a demand forecasting model using artificial neural networks. The battery systems, high-voltage electric motors, and software-controlled architecture of electric vehicles create fundamentally different risk profiles compared to traditional vehicles powered by internal combustion engines. These differences necessitate the development of new insurance coverage structures within the sector. Field data indicate that modern risks such as battery failures (42 percent), fires caused by electrical faults (25 percent), and damages linked to charging infrastructure (18 percent) occur frequently. These risks increase the repair costs of electric vehicles by approximately two to three times compared to traditional vehicles, prompting insurance companies to redesign their product structures. Moreover, while 72 percent of electric vehicle users in Türkiye purchase comprehensive automobile insurance, this rate remains at 58 percent among users of vehicles with internal combustion engines, suggesting a cognitive shift in risk perception and coverage preferences. The artificial neural network model developed within this thesis achieved high forecasting accuracy by incorporating numerous independent variables, including income level, environmental awareness, age group, level of insurance literacy, energy costs, and the perceived balance between vehicle price and performance. The model was constructed using the Python programming language and the TensorFlow software library. During model training, the Rectified Linear Unit activation function and the Adaptive Moment Estimation optimization algorithm were applied. The model was trained over 500 iterations, and an early stopping technique was used to minimize the risk of overfitting. The results revealed that in high-income districts of Istanbul such as Kadıköy, Ataşehir, and Maslak, the ownership rate of electric vehicles exceeds 15 percent, while the rate of comprehensive insurance coverage approaches 80 percent. The analysis of consumer behavior showed that younger individuals tend to prefer digital insurance platforms, middle-aged users seek cost-effective solutions, and older consumers prioritize safety-oriented insurance options. Furthermore, environmental concern, perceived social status, and national trust in domestically manufactured brands such as Türkiye's Automobile Initiative Group were identified as key psychosocial factors influencing electric vehicle purchasing decisions. In conclusion, the influence of electric vehicles on the insurance industry is not limited to technical transformations. Rather, it represents a systemic shift that encompasses market dynamics, consumer behavior, and public policy frameworks. It is recommended that insurance companies integrate artificial neural network-based forecasting models into their strategic planning processes, that public authorities increase investment in charging infrastructure, and that manufacturers develop strategies focused on optimizing vehicle price and performance.

Benzer Tezler

  1. Tez No

    935270

    Yapay sinir ağları ve makine öğrenme yöntemleriyle V2G alt yapsına yönelik şebeke talep tahmin sistemi geliştirilmesi

    Development of a grid demand forecasting system for an integrated V2G infrastructure using artificial neural networks and machine learning methods

    RAMAZAN YEŞİLDALLAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolİSTANBUL NİŞANTAŞI ÜNİVERSİTESİ

    Yazılım Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET KILIÇ

  2. Tez No

    535113

    Spot elektrik piyasalarında IOT destekli talep tahminlerine göre fiyatlama

    Pricing in accordance with the IOT supported demand predictions in the spot electricity market

    MUSTAFA AHMET HAMURCU

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    İşletmeNuh Naci Yazgan Üniversitesi

    İşletme Ana Bilim Dalı

    DOÇ. DR. ONUR GÖZBAŞI

  3. Tez No

    642211

    Yapay sinir ağı teknikleri kullanarak, yüzey meteorolojik parametreleri tabanlı, gnss konumlandırma doğruluğunun iyileştirilmesi

    Gnss positioning accuracy improvement based on surface meteorological parameters using artificial neural networks

    AGAB BAKHEET AGAB MOHAMMEDNOUR

    Doktora

    Türkçe

    Türkçe

    2020

    Elektrik ve Elektronik MühendisliğiErciyes Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET TURAN ÖZDEMİR

  4. Tez No

    511665

    Recurrent neural network based approaches for electricity consumption forecasting

    Tekrarlayan sinir ağı tabanlı elektrik tüketim tahmini

    ALPER TOKGÖZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. GÖZDE ÜNAL

  5. Tez No

    512523

    Forecasting electricity prices in Turkey: A comparison of classical econometrics and machine learning techniques

    Türkiye'de gün öncesi elektrik fiyatları tahmini: Klasik ekonometri ve makine öğrenme teknikleri karşılaştırması

    YUNUS EMRE KARAGÜLLE

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Ekonometriİstanbul Teknik Üniversitesi

    İktisat Ana Bilim Dalı

    PROF. DR. BÜLENT GÜLOĞLU

Geri Dön