Research Article
BibTex RIS Cite

CREDIT CONSUMPTION ESTIMATION AND COMPARATIVE APPLICATION WITH TIME SERIES ESTIMATION ALGORITHMS

Year 2024, Volume: 27 Issue: 1, 166 - 189, 03.03.2024
https://doi.org/10.17780/ksujes.1369811

Abstract

With the rapid spread of digital transformation, the sizes and volumes of the processed data have also increased. New methods and algorithms have been developed to process big data and perform high-accuracy analyzes in a short time and using less resources. In this study, by using machine learning and deep learning techniques such as ARIMA (Autoregressive Integrated Moving Average), SARIMA (Seasonal ARIMA), Prophet (Facebook), XGBoost (Extreme Gradient Boosting), LSTM (Long-Short Term Memory), RNN (Recurrent Neural Network) and GRU (Gated Recurrent Unit), it has been tried to estimate the credit consumption of consumers with the help of time series. Also, three hybrid models were implemented by using RNN, LSTM and GRU. MAE (Mean Absolute Error), MAPE (Mean Absolute Percentage Error), RMSE (Root Mean Squared Error) and Coefficient of Determination (R^2) were used to compare the model performances. According to the results, it has been observed that deep learning gives better results than machine learning. This study is a comprehensive review of time series forecasting using nine different machine and deep learning methods. Compared to similar studies in the literature, this study examined the subject from a very broad perspective.

References

  • Abar, H. (2020). XGBoost ve Mars Yöntemleri İle Altın Fiyatlarının Kestirimi. Ekev Akademi Dergisi, 24(83), 427-445.
  • Al-Asadi, M. J. (2019). Deep Learning For Time Series Forecasting of Currency Exchange Rates. Yüksek Lisans Tezi, Çukurova Üniversitesi, Fen Bilimleri Enstitüsü.
  • Alpay, Ö. (2020). LSTM Mimarisi Kullanarak USDTRY Fiyat Tahmini. Avrupa Bilim ve Teknoloji Dergisi (Special Issue), 452-456.
  • Amazon. (2023, 22 Ocak). What is deep-learning? Erişim adresi https://aws.amazon.com/what-is/deep-learning/ adresinden alındı
  • Baş, C. N. (2019). Time Series Analysis With Deep Learning Approaches For Industry 4.0. Thesis (MSc), Galatasaray University, Graduate School Of Science and Engineering.
  • Can, M. (2009). İşletmelerde Zaman Serileri Analizi İle Tahmin. Doktora Tezi, İstanbul Üniversitesi, Sosyal Bilimler Enstitüsü.
  • Çetin, Ö. (2022). Güneş Enerji Santrallerinde Derin Öğrenme İle Aylık Elektrik Üretim Tahmini. Yüksek Lisans Tezi, Mehmet Akif Ersoy Üniversitesi, Fen Bilimleri Enstitüsü.
  • Dinçoğlu, P. (2022). Perakende Sektöründe Veri Madenciliği Teknikleri İle Satış Tahmini. Yüksek Lisans Tezi, Maltepe Üniversitesi, Lisansüstü Eğitim Enstitüsü.
  • Ejder, U. (2022). DataMining Based On Reqularized Convolutional Neural Network For Time Series Financial Prediction Algorithm. Doktora Tezi, Çukurova Üniversitesi, Fen Bilimleri Enstitüsü.
  • Erbudak, A. E. (2022). Veri Madenciliği ve Makine Öğrenimi İle Döviz Kuru Tahmini Uygulaması. Yüksek Lisans Tezi, Altınbaş Üniversitesi, Lisansüstü Eğitim Enstitüsü.
  • Facebook. (2023, 23 Şubat). Prophet. Erişim adresi https://facebook.github.io/prophet/docs/quick_start.html adresinden alındı
  • Güdelek, M. U. (2019). Zaman Serisi Analiz ve Tahmini : Derin Öğrenme Yaklaşımı. Bilgisayar Mühendisliği. Yüksek Lisans Tezi, TOBB Ekonomi ve Teknoloji Üniversitesi, Fen Bilimleri Enstitüsü.
  • Günay, M. (2018). Makine Öğrenmesiyle Müşteri Kayıplarının Tahmini. Yüksek Lisans Tezi, İstanbul Üniversitesi, Fen Bilimleri Enstitüsü.
  • Gündüz, H. (2019). Derin Öğrenme Yöntemleri İle Zaman Serisi Tahmini. Doktora Tezi, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü.
  • Hua, Y., Zhao, Z., Li, R., Chen, X., Liu, Z., & Zhang, H. (2019). Deep Learning with Long Short-Term Memory for Time Series Prediction. IEEE Communications Magazine, 114-119.
  • Indulkar, Y. (2021). Time Series Analysis of Cryptocurrencies Using Deep Learning & Fbprophet. Pune: 2021 International Conference on Emerging Smart Computing and Informatics (ESCI).
  • İnce, U. (2021). Mobil Uygulamaların Gelecek Dönemde Kullanımının Zaman Serileri Kullanılarak Tahmin Edilmesi. Yüksek Lisans Tezi, Marmara Üniversitesi, Fen Bilimleri Enstitüsü.
  • Kara, A. (2019). Global Solar Irradiance Time Series Prediction Using Long Short-Term Memory Network. Gazi Üniversitesi Fen Bilimleri Dergisi, 882-892.
  • Kaya, U., Akba, F., Medeni, İ. T., & Medeni, T. D. (2020, Temmuz). Bitcoin Fiyat Değişimlerinin Makine Öğrenmesi, Zaman Serileri Analizi ve Derin Öğrenme Yöntemleriyle Değerlendirilmesi. Bilişim Teknolojileri Dergisi, 3(13), 341-355.
  • Kayiş, Ö. (2021). Fiber İnternet Müşteri Şikayet Tahminlemesi. Yüksek Lisans Tezi, Beykent Üniversitesi, Lisansüstü Eğitim Enstitüsü.
  • Kırbaş, İ., Sözen, A., Tunce, D. A., & Kazancıoğlu, F. Ş. (2020). Comparative analysis and forecasting of COVID-19 cases in various European countries with ARIMA, NARNN and LSTM approaches. Chaos, Solitons and Fractals, 138.
  • Lim, B., & Zohren, S. (2021). Time-series forecasting with deep-learning: a survey. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 379(2194), 202-209.
  • Microsoft. (2023, 10 Mart). What-is-deep-learning? Erişim adresi Microsoft Azure: https://azure.microsoft.com/tr-tr/resources/cloud-computing-dictionary/what-is-deep-learning/ adresinden alındı
  • Mohammedali, S. S. (2021). Time Series Classification Using Deep Learning Networks. Thesis (MSc), Karabük University, Institute of Graduate Programs.
  • Nusrat, F. (2022). Arima ve Derin Öğrenme Modelleri Kullanılarak Türkiyedeki Covid19 Vaka ve Vefat Sayılarının Tahmini. Yüksek Lisans Tezi, Konya Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü.
  • Oracle. (2023, 15 Nisan). What-is-deep-learning. Erişim adresi https://www.oracle.com/tr/artificial-intelligence/machine-learning/what-is-deep-learning/ adresinden alındı
  • Özdemir, M. C. (2021). Arima ve XGBoost Modelleri İle Elektrik Talep Tahmini. Yüksek Lisans Tezi, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü.
  • Peixeiro, M. (2022). Time Series Forecasting in Python by Marco Peixeiro. New York: Manning Publications Co. Shastri, S., Singh, K., Kumar, S., Kour, P., & Mansotra, V. (2020). Time series forecasting of Covid-19 using deep learning models India-USA comparative case study. Chaos, Solitons and Fractals, 140(110227).
  • Şeker, A. (2017). Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme. Fen Bilimleri Enstitüsü. İstanbul: Rapor, Yıldız Teknik Üniversitesi.
  • Tanışman, S., Karcıoğlu, A. A., Uğur, A., & Bulut, H. (2021, Aralık). LSTM Sinir Ağı ve ARIMA Zaman Serisi Modelleri Kullanılarak Bitcoin Fiyatının Tahminlenmesi ve Yöntemlerin Karşılaştırılması. Avrupa Bilim ve Teknoloji Dergisi, 32, 514-520.
  • Üntez, A. (2022). Gümüş Ons Paritesi Üzerine Derin Öğrenme İle Finansal Tahmin Modellemesi Geliştirilmesi. Yüksek Lisans Tezi, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü.
  • Wasee, M. S., Kundu, P. S., Mahzabeen, I., Tamim, T., & Alam, R. G. (2022). Time-Series Forecasting of Ethereum Price Using Long Short-Term Memory (LSTM) Networks. Kuala Lumpur: Proc. of the 8th International Conference on Engineering and Emerging Technologies (ICEET).
  • Yang, Y., Gao, W., & Guo, C. (2017). Aero-engine Lubricating Oil Metal Content Prediction Using Non-stationary Time Series ARIMA Model. 2017 10th International Symposium on Computational Intelligence and Design.
  • Yaşar, H. (2019). Zaman Serileri Analizi ve Derin Öğrenme Modelleri Kullanarak Amerikan Doları/Türk Lirası Döviz Kuru İçin Hibrid Tahmin Modeli. Yüksek Lisans Tezi, Doğuş Üniversitesi, Fen Bilimleri Enstitüsü.

ZAMAN SERİLERİ TAHMİNLEME ALGORİTMALARI İLE KONTÖR TÜKETİM TAHMİNLEMESİ VE KARŞILAŞTIRMALI UYGULAMASI

Year 2024, Volume: 27 Issue: 1, 166 - 189, 03.03.2024
https://doi.org/10.17780/ksujes.1369811

Abstract

Dijital dönüşümün hızla yaygınlaşması ile işlenen verilerin boyutları ve hacimleri de artmıştır. Büyük verileri işlemek, doğruluğu yüksek analizleri kısa sürede ve daha az kaynak kullanarak yapmak için yeni yöntem ve algoritmalar geliştirilmiştir. Bu çalışmada makine öğrenmesi ve derin öğrenme tekniklerinden ARIMA (Otoregresif Entegre Hareketli Ortalama), SARIMA (Mevsimsel ARIMA), Prophet (Facebook), XGBoost (En Büyük Eğim Artırma), LSTM (Uzun-Kısa Süreli Bellek), RNN (Yinelemeli Sinir Ağı) ve GRU (Geçitli Tekrarlayan Birim) algoritmaları kullanılarak tüketicilerin kontör tüketimleri zaman serileri yardımıyla tahmin edilmeye çalışılmıştır. Modelleri karşılaştırmak için MAE (Ortalama Mutlak Hata), MAPE (Ortalama Mutlak Yüzde Hata), RMSE (Kök Ortalama Karesel Hata) ve Determinasyon Katsayısı (R^2) kullanılmıştır. Elde edilen ölçüm sonuçlarına göre zaman serileri tahminlemesinde derin öğrenme tekniklerinin makine öğrenmesi yöntemlerine göre daha iyi sonuçlar verdiği gözlemlenmiştir. Çalışmada zaman serileri tahminlemesi üzerine dokuz farklı makine ve derin öğrenme yöntemi kullanılarak kapsamlı bir inceleme yapılmıştır. Literatürdeki benzer çalışmalar ile kıyaslandığında bu çalışmada konu oldukça geniş bir perspektiften incelenmiştir.

Ethical Statement

Bu çalışma, İstanbul Üniversitesi-Cerrahpaşa Lisansüstü Eğitim Enstitüsü Bilgisayar Mühendisliği Yüksek Lisans programında Hakan AKÇAY tarafından Doç.Dr. Derya YILTAŞ KAPLAN danışmanlığında hazırlanan “Zaman Serileri Tahminleme Algoritmalarının Karşılaştırmalı Uygulaması” isimli yüksek lisans tezinin içeriğinden oluşturulmuştur.

References

  • Abar, H. (2020). XGBoost ve Mars Yöntemleri İle Altın Fiyatlarının Kestirimi. Ekev Akademi Dergisi, 24(83), 427-445.
  • Al-Asadi, M. J. (2019). Deep Learning For Time Series Forecasting of Currency Exchange Rates. Yüksek Lisans Tezi, Çukurova Üniversitesi, Fen Bilimleri Enstitüsü.
  • Alpay, Ö. (2020). LSTM Mimarisi Kullanarak USDTRY Fiyat Tahmini. Avrupa Bilim ve Teknoloji Dergisi (Special Issue), 452-456.
  • Amazon. (2023, 22 Ocak). What is deep-learning? Erişim adresi https://aws.amazon.com/what-is/deep-learning/ adresinden alındı
  • Baş, C. N. (2019). Time Series Analysis With Deep Learning Approaches For Industry 4.0. Thesis (MSc), Galatasaray University, Graduate School Of Science and Engineering.
  • Can, M. (2009). İşletmelerde Zaman Serileri Analizi İle Tahmin. Doktora Tezi, İstanbul Üniversitesi, Sosyal Bilimler Enstitüsü.
  • Çetin, Ö. (2022). Güneş Enerji Santrallerinde Derin Öğrenme İle Aylık Elektrik Üretim Tahmini. Yüksek Lisans Tezi, Mehmet Akif Ersoy Üniversitesi, Fen Bilimleri Enstitüsü.
  • Dinçoğlu, P. (2022). Perakende Sektöründe Veri Madenciliği Teknikleri İle Satış Tahmini. Yüksek Lisans Tezi, Maltepe Üniversitesi, Lisansüstü Eğitim Enstitüsü.
  • Ejder, U. (2022). DataMining Based On Reqularized Convolutional Neural Network For Time Series Financial Prediction Algorithm. Doktora Tezi, Çukurova Üniversitesi, Fen Bilimleri Enstitüsü.
  • Erbudak, A. E. (2022). Veri Madenciliği ve Makine Öğrenimi İle Döviz Kuru Tahmini Uygulaması. Yüksek Lisans Tezi, Altınbaş Üniversitesi, Lisansüstü Eğitim Enstitüsü.
  • Facebook. (2023, 23 Şubat). Prophet. Erişim adresi https://facebook.github.io/prophet/docs/quick_start.html adresinden alındı
  • Güdelek, M. U. (2019). Zaman Serisi Analiz ve Tahmini : Derin Öğrenme Yaklaşımı. Bilgisayar Mühendisliği. Yüksek Lisans Tezi, TOBB Ekonomi ve Teknoloji Üniversitesi, Fen Bilimleri Enstitüsü.
  • Günay, M. (2018). Makine Öğrenmesiyle Müşteri Kayıplarının Tahmini. Yüksek Lisans Tezi, İstanbul Üniversitesi, Fen Bilimleri Enstitüsü.
  • Gündüz, H. (2019). Derin Öğrenme Yöntemleri İle Zaman Serisi Tahmini. Doktora Tezi, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü.
  • Hua, Y., Zhao, Z., Li, R., Chen, X., Liu, Z., & Zhang, H. (2019). Deep Learning with Long Short-Term Memory for Time Series Prediction. IEEE Communications Magazine, 114-119.
  • Indulkar, Y. (2021). Time Series Analysis of Cryptocurrencies Using Deep Learning & Fbprophet. Pune: 2021 International Conference on Emerging Smart Computing and Informatics (ESCI).
  • İnce, U. (2021). Mobil Uygulamaların Gelecek Dönemde Kullanımının Zaman Serileri Kullanılarak Tahmin Edilmesi. Yüksek Lisans Tezi, Marmara Üniversitesi, Fen Bilimleri Enstitüsü.
  • Kara, A. (2019). Global Solar Irradiance Time Series Prediction Using Long Short-Term Memory Network. Gazi Üniversitesi Fen Bilimleri Dergisi, 882-892.
  • Kaya, U., Akba, F., Medeni, İ. T., & Medeni, T. D. (2020, Temmuz). Bitcoin Fiyat Değişimlerinin Makine Öğrenmesi, Zaman Serileri Analizi ve Derin Öğrenme Yöntemleriyle Değerlendirilmesi. Bilişim Teknolojileri Dergisi, 3(13), 341-355.
  • Kayiş, Ö. (2021). Fiber İnternet Müşteri Şikayet Tahminlemesi. Yüksek Lisans Tezi, Beykent Üniversitesi, Lisansüstü Eğitim Enstitüsü.
  • Kırbaş, İ., Sözen, A., Tunce, D. A., & Kazancıoğlu, F. Ş. (2020). Comparative analysis and forecasting of COVID-19 cases in various European countries with ARIMA, NARNN and LSTM approaches. Chaos, Solitons and Fractals, 138.
  • Lim, B., & Zohren, S. (2021). Time-series forecasting with deep-learning: a survey. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 379(2194), 202-209.
  • Microsoft. (2023, 10 Mart). What-is-deep-learning? Erişim adresi Microsoft Azure: https://azure.microsoft.com/tr-tr/resources/cloud-computing-dictionary/what-is-deep-learning/ adresinden alındı
  • Mohammedali, S. S. (2021). Time Series Classification Using Deep Learning Networks. Thesis (MSc), Karabük University, Institute of Graduate Programs.
  • Nusrat, F. (2022). Arima ve Derin Öğrenme Modelleri Kullanılarak Türkiyedeki Covid19 Vaka ve Vefat Sayılarının Tahmini. Yüksek Lisans Tezi, Konya Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü.
  • Oracle. (2023, 15 Nisan). What-is-deep-learning. Erişim adresi https://www.oracle.com/tr/artificial-intelligence/machine-learning/what-is-deep-learning/ adresinden alındı
  • Özdemir, M. C. (2021). Arima ve XGBoost Modelleri İle Elektrik Talep Tahmini. Yüksek Lisans Tezi, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü.
  • Peixeiro, M. (2022). Time Series Forecasting in Python by Marco Peixeiro. New York: Manning Publications Co. Shastri, S., Singh, K., Kumar, S., Kour, P., & Mansotra, V. (2020). Time series forecasting of Covid-19 using deep learning models India-USA comparative case study. Chaos, Solitons and Fractals, 140(110227).
  • Şeker, A. (2017). Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme. Fen Bilimleri Enstitüsü. İstanbul: Rapor, Yıldız Teknik Üniversitesi.
  • Tanışman, S., Karcıoğlu, A. A., Uğur, A., & Bulut, H. (2021, Aralık). LSTM Sinir Ağı ve ARIMA Zaman Serisi Modelleri Kullanılarak Bitcoin Fiyatının Tahminlenmesi ve Yöntemlerin Karşılaştırılması. Avrupa Bilim ve Teknoloji Dergisi, 32, 514-520.
  • Üntez, A. (2022). Gümüş Ons Paritesi Üzerine Derin Öğrenme İle Finansal Tahmin Modellemesi Geliştirilmesi. Yüksek Lisans Tezi, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü.
  • Wasee, M. S., Kundu, P. S., Mahzabeen, I., Tamim, T., & Alam, R. G. (2022). Time-Series Forecasting of Ethereum Price Using Long Short-Term Memory (LSTM) Networks. Kuala Lumpur: Proc. of the 8th International Conference on Engineering and Emerging Technologies (ICEET).
  • Yang, Y., Gao, W., & Guo, C. (2017). Aero-engine Lubricating Oil Metal Content Prediction Using Non-stationary Time Series ARIMA Model. 2017 10th International Symposium on Computational Intelligence and Design.
  • Yaşar, H. (2019). Zaman Serileri Analizi ve Derin Öğrenme Modelleri Kullanarak Amerikan Doları/Türk Lirası Döviz Kuru İçin Hibrid Tahmin Modeli. Yüksek Lisans Tezi, Doğuş Üniversitesi, Fen Bilimleri Enstitüsü.
There are 34 citations in total.

Details

Primary Language Turkish
Subjects Deep Learning, Big Data, Graph, Social and Multimedia Data, Planning and Decision Making
Journal Section Computer Engineering
Authors

Hakan Akçay 0000-0001-9004-8179

Derya Yıltas-kaplan 0000-0001-8370-8941

Publication Date March 3, 2024
Submission Date October 2, 2023
Published in Issue Year 2024Volume: 27 Issue: 1

Cite

APA Akçay, H., & Yıltas-kaplan, D. (2024). ZAMAN SERİLERİ TAHMİNLEME ALGORİTMALARI İLE KONTÖR TÜKETİM TAHMİNLEMESİ VE KARŞILAŞTIRMALI UYGULAMASI. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 27(1), 166-189. https://doi.org/10.17780/ksujes.1369811