ZAMAN SERİLERİ TAHMİNLEME ALGORİTMALARI İLE KONTÖR TÜKETİM TAHMİNLEMESİ VE KARŞILAŞTIRMALI UYGULAMASI

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.

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.