Makine öğrenmesi algoritmaları ile Hakkâri Yüksekova Selahaddin Eyyubi Havalimanı doğalgaz tüketim miktarının tahmin edilmesi
Prediction of natural gas consumption at Hakkâri Yüksekova Selahaddin Eyyubi Airport using machine learning algorithms
- Tez No: 960848
- Danışmanlar: DR. ÖĞR. ÜYESİ ERDEM ÇOBAN
- Tez Türü: Yüksek Lisans
- Konular: Mimarlık, Architecture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Haliç Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Mimarlık Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 97
Özet
Enerji, modern yaşamın sürdürülebilirliği için temel bir ihtiyaç olup, talep yönetimi ve arz tahmini konuları günümüzde stratejik bir öneme sahiptir. Bu çalışmada, Türkiye'nin doğusunda bulunan Hakkâri Yüksekova Selahaddin Eyyubi Havalimanı'na ait meteorolojik veriler kullanılarak doğalgaz tüketiminin tahmini amaçlanmıştır. Modelleme sürecinde sıcaklık, çiğ noktası, yüzey basıncı, güneş radyasyonu, yatay ve dikey rüzgâr bileşenlerinden oluşan 300 gözlemli çok değişkenli zaman serisi veri seti kullanılmıştır. Makine öğrenmesi algoritmalarından LightGBM, XGBoost, Rastgele Orman (Random Forest-RF), Destek Vektör Regresyonu (Support Vector Regression-SVR) ve Çoklu Doğrusal Regresyon(Multi Lineer Regression-MLR) ile birlikte bir derin öğrenme algoritması olan LSTM (Long Short-Term Memory) uygulanmış ve modellerin başarımları karşılaştırılmıştır. Test verisi üzerindeki MSE değerleri XGBoost için 0.0003, LightGBM için 4.01, LSTM için 4.62, SVR için 5.65, RF için 2.35 ve MLR için 5.80 olarak hesaplanmıştır. R² değerlerine göre ise XGBoost 1.0000 ile mükemmel uyum gösterirken, LightGBM 0.9548, LSTM 0.9479, SVR 0.9362, RF 0.9734 ve MLR 0.9345 değerlerine ulaşmıştır. MAE açısından en düşük hata XGBoost (0.01) ve LightGBM (1.58) modellerinde gözlemlenmiştir. SMAPE değerleri ise sırasıyla XGBoost %0.30, LightGBM %29.09, LSTM %31.16, SVR %37.30, RF %18.82 ve MLR %37.30 olarak kaydedilmiştir. Ayrıca, sıcaklık temelli Isıtma Derece Günü (HDD) katsayısı ile doğalgaz tüketimi arasında kurulan doğrusal ilişki değerlendirilmiş ve sıcaklık düşüşlerinin tüketimi anlamlı şekilde artırdığı gözlemlenmiştir. Bulgular, özellikle XGBoost algoritmasının doğalgaz talep tahmininde üstün performans sergilediğini ve enerji yönetimi planlamalarında etkin bir araç olduğunu göstermektedir.
Özet (Çeviri)
Energy is a fundamental necessity for sustaining modern life, and accurate forecasting of demand and supply has become a strategic priority. In this study, natural gas consumption forecasting was conducted using meteorological data from Hakkâri Yüksekova Selahaddin Eyyubi Airport, located in eastern Turkey. A multivariate time series dataset consisting of 300 observations was prepared, including variables such as temperature, dew point, surface pressure, solar radiation, and horizontal and vertical wind components. Machine learning models such as LightGBM, XGBoost, Random Forest (RF), Support Vector Regression (SVR), and Multiple Linear Regression (MLR), along with a deep learning model Long Short-Term Memory (LSTM), were employed and their performances were compared. On the test set, MSE values were calculated as 0.0003 for XGBoost, 4.01 for LightGBM, 4.62 for LSTM, 5.65 for SVR, 2.35 for RF, and 5.80 for MLR. In terms of R² scores, XGBoost achieved a perfect value of 1.0000, followed by RF (0.9734), LightGBM (0.9548), LSTM (0.9479), SVR (0.9362), and MLR (0.9345). Regarding MAE, the lowest values were obtained by XGBoost (0.01) and LightGBM (1.58). The SMAPE metric revealed values of 0.30% for XGBoost, 29.09% for LightGBM, 31.16% for LSTM, 37.30% for both SVR and MLR, and 18.82% for RF. In addition, the Heating Degree Day (HDD) indicator was utilized to model the linear relationship between temperature and gas consumption, revealing a strong positive correlation. The findings underscore the high predictive capability of XGBoost, making it a robust tool for energy demand management and planning.
Benzer Tezler
- COVİD-19 vakalarının makine öğrenmesi algoritmaları ile tahmini
Prediction of COVID-19 using machine learning (ML) algorithms.
EVİN ZİREK
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiHakkari ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. FİKRET YILDIZ
DOÇ. DR. CÜNEYT YÜCELBAŞ
- Yapay sinir ağları ile Hakkari ili doğalgaz tüketim tahmini
Hakkari province natural gas consumption estimation with artificial neural networks
BİLAL ÇİÇEK
Yüksek Lisans
Türkçe
2024
Makine MühendisliğiHakkari ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TAYFUN ÇETİN
- Avrupa insan hakları mahkemesi yargı kararlarının tahmin edilmesi
Predicting the judgments of the european court of human rights
NAGİHAN ÜNAL
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiAdli Bilişim Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- Do regulatory efforts in Europe regarding algorithmic discrimination caused by private actors offer emancipation for women and other marginalized groups?
Avrupa'da özel kişi aktörler tarafından sebebiyet verilen algoritmik ayrımcılık ile ilgili yasal düzenleme çabaları kadınlar ve diğer marjinalize edilmiş gruplara kurtuluş sunuyor mu?
DENİZ ERDEN
Yüksek Lisans
İngilizce
2022
Hukukİstanbul Bilgi ÜniversitesiBilişim ve Teknoloji Hukuku Ana Bilim Dalı
PROF. DR. LEYLA KESER BERBER
- Rekabet ve regülasyon ekonomisi üzerine üç makale
Three essays on economics of regulation and competition
YAKUP ÇUKURYURT