Geri Dön

Elektrikli araçların kullanıcı tercihlerine göre sınıflandırılması: hibrit bir yaklaşım

Classification of electric vehicles based on user preference: a hybrid approach

PDF İndir

  1. Tez No: 955401
  2. Yazar: MEHMET DEMİR
  3. Danışmanlar: DOÇ. DR. UMUT ASAN
  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: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Mühendislik Yönetimi Bilim Dalı
  13. Sayfa Sayısı: 129

Özet

Son yıllarda artan çevresel kaygılar, enerji verimliliği arayışları ve fosil yakıt bağımlılığının azaltılmasına yönelik politikalar, elektrikli araçlara olan ilgiyi küresel ölçekte ciddi biçimde artırmıştır. Bu teknolojik dönüşüm, yalnızca otomotiv sektörünün mühendislik boyutlarını değil, aynı zamanda tüketici davranışlarını, pazarlama stratejilerini ve karar destek sistemlerini de doğrudan etkilemektedir. Elektrikli araç pazarının hızlı genişlemesiyle birlikte kullanıcılar için ürün çeşitliliği önemli ölçüde artarken, üreticiler ve pazarlamacılar açısından da hangi araçların hangi kullanıcı segmentlerine hitap ettiğini belirlemek daha karmaşık hale gelmiştir. Özellikle, pazar araştırmacıları ve sektör analistleri, bu çok boyutlu karar verme ortamında geleneksel analiz yöntemlerinin yetersiz kaldığını ve daha sofistike yaklaşımlara ihtiyaç duyulduğunu belirtmektedir. Bu bağlamda, çok sayıda teknik özelliğe sahip araçların anlamlı şekilde tercih edilebilirlik düzeylerine göre sıralı sınıflandırılması önemli bir problem alanı olarak ortaya çıkmaktadır. Bu tez çalışmasında, bu ihtiyaca yanıt verebilecek hibrit bir yöntemsel çerçeve geliştirilmiştir. Çok kriterli karar verme yöntemlerinden biri olan TOPSIS-Sort-B algoritması kullanılarak, piyasadaki 439 elektrikli aracın çeşitli performans, boyut, konfor ve fiyat vb. kriterlerine göre tercih edilebilirlik düzeyleri analiz edilmiştir. TOPSIS-Sort-B algoritmasının seçilmesindeki temel gerekçe, bu yöntemin geleneksel TOPSIS yaklaşımından farklı olarak alternatifleri önceden belirlenmiş sıralı sınıflara atayabilme kapasitesine sahip olması ve böylelikle sıralama yerine kategorilendirme yapmasıdır. Bu özellik, elektrikli araç pazarında segmentasyon çalışmaları için kritik önem taşımaktadır çünkü tüketiciler ve üreticiler için mutlak performans karşılaştırması yerine sınıf esaslı tercih seviyeleri daha anlamlı sonuçlar vermektedir. Çalışmada kullanılan veri seti, elektrikli araçlar konusunda en geniş kamuya açık veri kaynağı olan EVdatabase platformundan veri kazıma yöntemiyle elde edilmiştir. Veri toplama sürecinde Python programlama dili ve web scraping kütüphaneleri kullanılmış, araçların teknik özelliklerini (menzil, maksimum hız, batarya kapasitesi, şarj süresi, bagaj hacmi, fiyat, hızlanma performansı, enerji tüketimi vb.) kapsayacak şekilde kapsamlı biçimde veri çekilmiştir. Toplanan veri seti, halihazırda piyasaya sürülmüş olan elektrikli araç modellerini içermekte olup, çeşitli araç segmentlerinden (sedan, SUV, hatchback, lüks araçlar) dengeli bir dağılım sağlanmıştır. Ancak verinin doğası gereği belirli düzeyde güncellik sınırlaması olduğu ve sürekli güncellenen piyasa koşullarının tam olarak yansıtılamayabileceği de kabul edilmiştir. Sıralı sınıflandırma algoritmasının kaç sınıf üzerinden çalıştırılacağının hesaplanması bağlamında veriye öncelikle bölünmeli ve hiyerarşik kümeleme analizleri uygulanmıştır ve bu analizlerin sonucunda üç kümenin (sınıfın) veriyi en ideal şekilde yansıtacağı ortaya konmuştur. TOPSIS-Sort-B yöntemi ile elde edilen üçlü tercih sınıfları (yüksek, orta ve düşük tercih edilebilirlik), daha sonra çeşitli makine öğrenimi sınıflandırma algoritmalarına etiketli veri olarak sunulmuş ve bu sınıfların farklı modeller tarafından ne ölçüde doğru tahmin edilebildiği karşılaştırılmıştır. Bu hibrit yaklaşımın arkasındaki temel mantık, ÇKKV yöntemlerinin uzman bilgisini ve çok kriterli değerlendirme kapasitesini makine öğrenmesi modellerinin örüntü tanıma ve genelleme kabiliyetleriyle birleştirmektir. Böylece hem karar destek sistemlerinin daha kararlı hale getirilmesi hem de ÇKKV yöntemlerinden elde edilen sınıfların öngörülebilirliği ve geçerliliği test edilmiştir. Çalışma, sınıflandırma problemlerine ÇKKV yaklaşımını temel olarak entegre eden bu hibrit yöntemle, literatürde sınırlı olarak ele alınan bir yönteme katkı sağlamaktadır. Özellikle, geleneksel olarak birbirinden bağımsız uygulanan bu iki yaklaşımın entegrasyonu, hem metodolojik hem de pratik açıdan önemli avantajlar sunmaktadır. Ayrıca, bu yaklaşım sayesinde, yeni elektrikli araç verileri üzerinden otomatik tercih sınıfı tahmini yapılabilmesi mümkün hale gelmiştir. Tüketicilerin karar süreçlerini kolaylaştırmak ve üreticilere stratejik öngörüler sunmak açısından, geliştirilen sistemin hem akademik hem de pratik değeri bulunmaktadır. Veri ön işleme sürecinde, eksik ya da anlamlılığı düşük sütunlar sistematik olarak elenmiş; sürekli ve kategorik değişkenler uygun biçimde dönüştürülmüştür. Bu aşamada özellikle eksik veri problemlerinin çözümü için çeşitli yerine koyma teknikleri uygulanmış ve veri tutarlılığını sağlamak amacıyla ileri düzey kontroller yapılmıştır. Ardından, öz niteliklerin (kriterlerin) ağırlıklandırılması amacıyla Analitik Hiyerarşi Süreci (AHP) uygulanmıştır. Bu süreçte, elektrikli araçlar alanında uzman kişilerden alınan değerlendirmeler çerçevesinde, kriterlerin göreli önemleri hesaplanmış ve bu ağırlıklar TOPSIS-Sort-B algoritmasına entegre edilmiştir. Uzmanların seçiminde, elektrikli araç teknolojileri konusunda akademik ya da sektörel uzmanlığa sahip bulunmaları kriterleri gözetilmiştir. Ayrıca, sınıfların sınırlarının belirlenebilmesi amacıyla, tercih edilebilirlik skorları için üst ve alt eşik değerleri yine uzman görüşü ile belirlenmiştir. Bu eşik değerlerin belirlenmesinde veri setinin dağılım özellikleri dikkate alınmış ve her segmentin (sınıfın) anlamlı sayıda araç içermesi sağlanmıştır. Tercih edilebilirlik bağlamındaki sınıflandırma sonucunda elde edilen dağılım, dengeli bir yapı (130 düşük, 164 orta ve 145 yüksek tercih edilebilirlik) göstermiş ve üç sınıfın da yeterli temsil gücüne sahip olduğu görülmüştür. Sıralı sınıflandırma algoritması ile elde edilen bu tercih edilebilirlik etiketleri, ikinci aşamada denetimli makine öğrenmesi modellerinin eğitilmesi için kullanılmıştır. Bu kapsamda karar ağaçları, lojistik regresyon, Naive Bayes, destek vektör makineleri, k-en yakın komşu ve yapay sinir ağları gibi farklı yaklaşımları temsil eden modeller uygulanmıştır. Veri seti eğitim (%80) ve test (%20) olarak katmanlı örnekleme yöntemiyle bölünmüş, böylelikle her sınıfın hem eğitim hem de test setinde dengeli şekilde temsil edilmesi sağlanmıştır. Modellerin performansları doğruluk, duyarlılık, kesinlik, F1-skoru gibi metriklerle kapsamlı biçimde değerlendirilmiştir. Elde edilen bulgular, özellikle yapay sinir ağı modelinin %96,6 ile sınıflandırma doğruluğu açısından en başarılı performansı sergilediğini göstermiştir. Bunu %95,5 ile lojistik regresyon, %93,2 ile destek vektör makineleri ve karar ağacı modelleri takip etmiştir. Karışıklık matrisleri, modellerin özellikle yüksek ve düşük tercih edilebilirlik sınıflarını ayırt etmede oldukça başarılı olduğunu, orta sınıfta ise diğer iki tercih edilebilirlik düzeyine göre kısmen problem yaşayabildiklerini ortaya koymuştur. Ayrıca genel anlamda, test verisindeki araçların büyük bir bölümü tüm modeller tarafından tutarlı şekilde doğru tahmin edilmiş, bu durum TOPSIS-Sort-B ile oluşturulan etiketlerin makine öğrenmesi açısından yüksek tutarlılığa sahip olduğunu kanıtlamıştır. Bu tez, hem elektrikli araçlara ilişkin veri odaklı sınıflandırma yaklaşımlarına literatürde yeni bir katkı sunmakta hem de TOPSIS-Sort-B algoritmasının makine öğrenmesi modelleriyle entegrasyonunu sağlayarak hibrit bir analiz çerçevesi ortaya koymaktadır. Çalışmanın yöntemsel katkısı, geleneksel ÇKKV yöntemlerinin modern makine öğrenmesi teknikleriyle nasıl birleştirilebileceğini göstermesi ve bu entegrasyonun her iki yaklaşımın avantajlarını bir araya getirmesidir. Özellikle, ÇKKV yöntemlerinin uzman bilgisini yapılandırma kapasitesi ile makine öğrenmesi algoritmalarının büyük veri setlerini işleme ve örüntü tanıma yeteneklerinin bir araya getirilmesi, karar destek sistemleri literatürüne önemli bir katkı sunmaktadır. Çalışmanın bulguları, üretici ve pazarlamacıların stratejik planlamalarına yön verebilecek nitelikte olup, özellikle tüketici tercihleri, ürün konumlandırması ve rekabet analizi açısından değerli bilgiler sunmaktadır. Ayrıca kullanıcı deneyimi açısından, geliştirilen sistem kişiselleştirilmiş öneri sistemlerine, akıllı ürün filtreleme araçlarına, fiyatlandırma stratejilerine ve otomatik değerlendirme platformlarına temel oluşturabilecek şekilde pratik faydalar da sunmaktadır. Gelecek çalışmalar için bu hibrit yaklaşımın diğer sektörlere (beyaz eşya, elektronik, gayrimenkul vb.) uyarlanması, daha büyük ve çeşitli veri setleriyle test edilmesi, gerçek zamanlı veri akışlarıyla entegrasyonu ve kullanıcı geri bildirimlerinin sisteme dahil edilmesi önerilmektedir. Ayrıca, daha büyük veri setleri için derin öğrenme yöntemlerinin de hibrit modele entegre edilerek performans artışının sağlanabileceği düşünülmektedir.

Özet (Çeviri)

In recent years, increasing environmental concerns, energy efficiency pursuits, and policies aimed at reducing fossil fuel dependency have significantly heightened global interest in electric vehicles. This technological transformation has directly affected not only the engineering aspects of the automotive sector but also consumer behaviours, marketing strategies, and decision support systems. While the rapid expansion of the electric vehicle market has significantly increased product diversity for users, determining which vehicles appeal to which user segments has become more complex for manufacturers and marketers. In particular, market researchers and industry analysts indicate that traditional analysis methods are insufficient in this multi-dimensional decision-making environment and that more sophisticated approaches are needed. In this context, the meaningful classification of vehicles with numerous technical features and their segmentation according to preference levels emerges as an important problem area. In this thesis, a hybrid methodological framework has been developed to address this need. Using the TOPSIS-Sort-B algorithm, one of the multi-criteria sorting methods, the preference levels of 439 electric vehicles in the market were analysed according to various criteria such as performance, size, comfort, and price criteria. The fundamental rationale for selecting the TOPSIS-Sort-B algorithm is that this method, unlike the traditional TOPSIS approach, has the capacity to assign alternatives to predetermined classes, thus performing sorting rather than ranking. This feature is of critical importance for segmentation studies in the electric vehicle market because preference classes provide more meaningful results than absolute performance comparisons for consumers and manufacturers. The dataset used in the study was obtained through web scraping from the EVdatabase platform, which is the most comprehensive publicly available data source on electric vehicles. Python programming language and web scraping libraries were used in the data collection process, and data was comprehensively extracted to cover the technical specifications of vehicles (range, maximum speed, battery capacity, charging time, trunk volume, price, acceleration performance, energy consumption, etc.). The collected dataset includes electric vehicle models that have already been launched in the market, with a balanced distribution from various vehicle segments (sedan, SUV, hatchback, luxury vehicles). However, it is acknowledged that due to the nature of the data, there are certain limitations in terms of currency and that continuously updated market conditions may not be fully reflected. In the context of calculating how many classes the sorting algorithm would operate on, partitioning and hierarchical clustering methods were first applied to the data, and as a result of these analyses, it was established that three clusters (classes) would reflect the data most ideally. The triple preference classes (high, medium, and low preference) obtained through the TOPSIS-Sort-B method were then presented as labelled data to various machine learning classification algorithms, and the extent to which these classes could be accurately predicted by different models was compared. The fundamental logic behind this hybrid approach is to combine the expert knowledge and multi-criteria evaluation capacity of MCDM methods with the pattern recognition and generalization capabilities of machine learning models. Thus, both strengthening decision support systems and testing the predictability and validity of classes obtained from MCDM methods were achieved. This study presents a hybrid method that integrates the MCDM approach into classification problems—an area that has received limited attention in the literature. In particular, the integration of these two approaches, which are traditionally applied independently, offers significant advantages both methodologically and practically. Moreover, through this approach, it has become possible to make automatic preference class predictions on new electric vehicle data. The developed system has both academic and practical value in terms of facilitating consumers' decision-making processes and providing strategic insights to manufacturers. In the data pre-processing phase, missing or low-significance columns were systematically eliminated, and continuous and categorical variables were appropriately transformed. At this stage, various imputation techniques were applied to solve missing data problems, and advanced controls were performed. Subsequently, the Analytic Hierarchy Process (AHP) was applied to weight the features (criteria). In this process, the relative importance of criteria was calculated based on evaluations obtained from experts in the field of electric vehicles, and these weights were integrated into the TOPSIS-Sort-B algorithm. The selection of experts was based on their academic or industrial experience in electric vehicle technologies. Additionally, to determine the boundaries of classes, upper and lower threshold values for preference scores were determined with the opinions of the same experts. In determining these threshold values, the distribution characteristics of the dataset were taken into account, and it was ensured that each segment contained a meaningful number of vehicles. The distribution obtained as a result of sorting in the context of preference showed a balanced structure (130 low, 164 medium, and 145 high preference), and it was observed that all three classes had sufficient representational power. These preference labels obtained through the sorting algorithm were used for training supervised machine learning models in the second phase. In this context, models representing different approaches such as decision trees, logistic regression, Naive Bayes, support vector machines, k-nearest neighbours, and artificial neural networks were applied. The dataset was divided into training (80%) and test (20%) using stratified sampling method, thus ensuring balanced representation of each class in both training and test sets. The performance of models was comprehensively evaluated with metrics such as accuracy, sensitivity, precision, and F1-score. The findings obtained showed that the artificial neural network model exhibited the most successful performance in terms of classification accuracy with 96.6%. This was followed by logistic regression with 95.5%, support vector machines and decision tree models with 93.2%. Confusion matrices revealed that the models were quite successful in distinguishing high and low preference classes, while they could experience some problems in the medium class compared to the other two preference levels. Moreover, a large portion of the vehicles in the test data were consistently and correctly predicted by all models, proving that the labels created with TOPSIS-Sort-B have high consistency in terms of machine learning. This thesis contributes to data-driven classification approaches related to electric vehicles in the literature and presents a hybrid analysis framework by enabling the integration of the TOPSIS-Sort-B algorithm with machine learning models. The methodological contribution of the study is to show how traditional MCDM methods can be combined with modern machine learning techniques and that this integration brings together the advantages of both approaches. In particular, bringing together the capacity of MCDM methods to structure expert knowledge with the ability of machine learning algorithms to process large datasets and recognize patterns provides an important contribution to the decision support systems literature. The findings of the study are of a nature that can guide the strategic planning of manufacturers and marketers, providing valuable information particularly in terms of consumer preferences, product positioning, and competitive analysis. Additionally, from a user experience perspective, the developed system offers practical benefits that can form the basis for personalized recommendation systems, intelligent product filtering tools, pricing strategies, and automatic evaluation platforms. For future studies, it is recommended to adapt this hybrid approach to other sectors (white goods, electronics, real estate, etc.), test it with larger and more diverse datasets, integrate it with real-time data streams, and include user feedback in the system. Additionally, it is considered that performance improvement can be achieved by integrating deep learning methods into the hybrid model for larger datasets.

Benzer Tezler

  1. Tez No

    871682

    Global goals, local voices: A multinational comparative sentiment and topic analysis of public transportation in the context of SDGs

    Küresel hedefler, yerel sesler: Sürdürülebilir kalkınma amaçları bağlamında toplu taşımaya yönelik ülkelerin karşılaştırmalı duygu ve konu analizi

    ASLIGÜL AKSAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. HATİCE CAMGÖZ AKDAĞ

  2. Tez No

    962042

    Contributions to the determination of optimized driving strategies for electric vehicles using artificial intelligence based methods

    Elektrikli araçlar için yapay zeka tabanlı yöntemlerle en uygunlaştırılmış sürüş stratejilerinin belirlenmesine katkılar

    UFUK BOLAT

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. DERYA AHMET KOCABAŞ

    DOÇ. DR. GÜLCİHAN ÖZDEMİR

  3. Tez No

    919531

    An efficient and privacy preserved charging station selection scheme for electric vehicles

    Elektrıklı araçlar için verimli ve gizliliğin korunduğu bir şarj istasyonu seçim şeması

    MOHAMMED FAISAL ABDULRAHMAN AL-RIFAIE

    Doktora

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DOÇ. DR. ADIB HABBAL

  4. Tez No

    847490

    Reducing in-vehicle communication overload and enhancing efficiency in autonomous and electrical vehicles

    Otonom ve elektrikli araçlarda araç içi iletişim yükünü azaltma ve etkinliğini artırma

    YUNUS KAĞAN ÖZDEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET CANSIZ

  5. Tez No

    888313

    Assessment of the autonomous vehicles impacts on urban mobility and urban form

    Sürücüsüz araçların kentsel hareketlilik ve kentsel yapısı üzerindeki etkilerinin değerlendirilmesi

    MAZDAK SADEGHPOUR

    Doktora

    İngilizce

    İngilizce

    2024

    Trafikİstanbul Teknik Üniversitesi

    Şehir ve Bölge Planlama Ana Bilim Dalı

    DOÇ. EDA BEYAZIT

Geri Dön