Geri Dön

Comparison of artificial neural networks and deep learning methods for predicting export prices of agricultural products

Tarım ürünlerinin ihracat fiyatlarının tahminlenmesinde yapay sinir ağları ve derin öğrenme yöntemlerinin karşılaştırılması

PDF İndir

  1. Tez No: 905217
  2. Yazar: HALİT AHMET AKDEMİR
  3. Danışmanlar: PROF. DR. YALÇIN ÇEBİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Kayısı kurusu, Kuru incir, Makine öğrenmesi, Uzun kısa süreli bellek, Yapay sinir ağları, Dried apricot, Dried fig, Machine learning, Long- short term memory, Artificial neural networks
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Tarımsal üreticiler ve tarımsal işletmeler, etkili bir strateji oluşturmak için ihtiyaçlarını ve çözümlerini öngörme gereksinimi taşımaktadır. Tahminlemenin amacı, üreticilerin gelecekteki fiyat dalgalanmalarına karşı harcamalarını, üretim kapasitelerini ve üretim desenlerini belirlemelerine yardımcı olmaktır. İşletmelerin de, fiyatla ilgili potansiyel problemleri önceden görüp buna uygun stratejiler geliştirmelerine yardımcı olmaktır Bu durum, ayrıca uygun fiyat politikalarının belirlenmesine de rehberlik edebilir. Tahminleme, uzun süredir lineer istatistiklerin bir çalışma alanı olmuştur. ARIMA, zaman serileri tahminlerinde geleneksel yaklaşımlar arasında yer almaktadır. Gerçek hayattaki sistemler genellikle doğrusal olmadığından, bu yöntemleri kullanmak bazen hatalı sonuçların ortaya çıkmasına neden olabilmektedir. Çalışmada, Türkiye'nin önemli tarımsal ihracat ürünlerinden kuru incir, kuru üzüm ve kuru kayısının ihracat fiyatları tahmin edilmiştir. Doğrusal olmayan problemlerin çözümünde günümüzde yaygın olarak yararlanılan ve geleneksel yöntemlere göre daha az hata üreten geri yayılımlı Yapay Sinir Ağı (YSA) ve derin öğrenme modellerinden Uzun-Kısa Süreli Bellek Ağı (LSTM) kullanılarak tahmin yapılmıştır. Tahminde ham petrol fiyatı, iklim değerleri, ürünlerin yıllık üretim miktarı, enflasyon oranı, kuru incir ilk ihraç tarihi, döviz kuru, rekolte miktarı ve RASFF (Gıda ve Yemde Hızlı Alarm Sistemi) alarm parametreleri dikkate alınmıştır. Bahsedilen parametreler dikkate alınarak bir veri seti oluşturulmuştur. Parametreler ışığında yapay sinir ağı eğitilirken her bir model farklı katman sayıları denenmiştir. Ardından LSTM ağı için de benzer ön işlemlerden sonra zaman serisi analizi modeli oluşturulup, eğitilmiştir. Elde edilen sonuçlar test verileriyle karşılaştırılmış ve sonrasında eğitim hataları hesaplanmıştır. YSA modelinde, kuru incir ihracat fiyatı için %88, kuru üzüm ihracat fiyatı için %86, kuru kayısı için ise %91 regresyon (R2) değerlerine ulaşılmıştır. LSTM ağı kullanılan modelde, kuru incir ihracat fiyatı için %91, kuru üzüm ihracat fiyatı için %88, kuru kayısı için ise %93 regresyon (R2) değerlerine ulaşılmıştır. Sonuç olarak, Derin Öğrenme modellerinden olan LSTM ağı metodunun, bir makine öğrenmesi metodu olan YSA'ya göre daha kararlı ve performanslı sonuçlar verdiği görülmüştür. R2 değerleri dikkate alındığında, Derin Öğrenme metodunun kuru incir için %11, kuru üzüm için %3, kuru kayısı için ise %3 daha iyi sonuç verdiği görülmüştür.

Özet (Çeviri)

Nowadays, farmers and businesses that need to decide on their transaction volumes need to predict their needs and solutions within the framework of a good plan. The purpose of prediction is to enable farmers to determine future expenditures, production capacities and patterns against price fluctuations. It is to enable the enterprises to act by anticipating the price-related problems they may encounter. It can also be a reference for the establishment of appropriate price policies. Prediction has long been a field of study in linear statistics. In traditional approaches such as time series prediction, methods such as ARIMA are used. Since real-life systems are often nonlinear, using these methods can sometimes lead us to erroneous results. In this study, price prediction is performed for dried figs, raisins and dried apricots, which are among the most important agricultural export products of Türkiye. Prediction is done by using back-propagation artificial neural network (ANN) and Long-Short Term Memory (LSTM) Network, one of the deep learning methods, which are effectively used in solving nonlinear problems today and give less erroneous results compared to traditional prediction methods. For prediction; climate, crude oil, annual production amount, inflation rate, exchange rate, first export date, yield, and RASFF (Rapid Alert System in Food and Feed) alarm parameters were used. A data set was created by taking the selected parameters. While training the artificial neural network in the light of the parameters, each model was tested with different number of layers. Then, a time series analysis model was created and trained for the LSTM network after similar preliminary procedures. The results were compared with the test data and then the training errors were calculated. In the ANN model, regression (R2) values of 88% for dried fig export price, 86% for raisin export price and 91% for dried apricot were obtained. In the model using LSTM network, regression (R2) values of 91% for dried fig export price, 88% for raisin export price and 93% for dried apricot were obtained. The LSTM network, which is one of the deep learning models, has been found to be more stable and performant than ANN, which is a machine learning model. For forecasting; climate, crude oil, annual production amount, inflation rate, exchange rate, first export date, yield, cost, and RASFF (Rapid Alert System in Food and Feed) alarm parameters were used. A data set was created by taking the selected parameters. The data set is divided into two training and test data. While training the artificial neural network in the light of the parameters, each model was tested with different number of layers. As a result, it was observed that the LSTM network method, which is one of the deep learning models, gives more stable and performant results than ANN, which is a machine learning method. Considering the R2 values, it was seen that the Deep Learning method gave 11% better results for dried figs, 3% better results for raisins and 3% better results for dried apricots.

Benzer Tezler

  1. Tez No

    997020

    Türkiye'de enflasyon oranının yapay zekâ ile tahmini: Makine öğrenmesi ve derin öğrenme yöntemlerinin karşılaştırılması

    Forecasting of inflation rate with artificial intelligence in Türkiye: Comparison of machine learning and deep learning methods

    YUNUS EDİZ

    Doktora

    Türkçe

    Türkçe

    2026

    EkonometriManisa Celal Bayar Üniversitesi

    İktisat Ana Bilim Dalı

    PROF. DR. İLKAY DİLBER

  2. Tez No

    763623

    A comparison of deep neural network architectures for COVID-19 detection using CT chest images

    Göğüs BT görüntüleriyle COVID-19 tespitinde derin sinir ağı mimarilerinin karşılaştırılması

    MEHMET TUNAHAN SARIOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilim ve TeknolojiOrta Doğu Teknik Üniversitesi

    Sağlık Bilişimi Ana Bilim Dalı

    PROF. DR. ÜNAL ERKAN MUMCUOĞLU

  3. Tez No

    694048

    İşitme kaybı türü ve işitme kaybı derecesi belirlenmesinde iki metot karşılaştırılması: Yapay sinir ağları ve koşullu yapılarla kodlanan mobil uygulama

    Comparison of TWO methods in determining the type of hearing loss and the grade of hearing loss: mobile application coded with artificial neural networks and conditional structures

    AHMET YASİN DİŞÇİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Odyoloji Ana Bilim Dalı

    PROF. BAHRİYE ÖZLEM KONUKSEVEN

  4. Tez No

    629328

    Konutlarda enerji tüketimi kestirimi için derin öğrenme ve makine öğrenme yöntemlerinin karşılaştırılması

    Comparison of deep learning and machine learning methods for estimating energy consumption in houses

    EROL YAVUZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi-Cerrahpaşa

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AYSEL ERSOY YILMAZ

  5. Tez No

    929505

    Meme MRG'de saptanan kitle dışı kontrastlanmaların benign ve malign ayrımında radyolojik bulgularla doku analizi bulgularının makine öğrenimi yöntemleriyle değerlendirilmesi ve segmentasyon tabanlı 3 boyutlu evrişimsel sinir ağlarıyla karşılaştırılması

    Evaluation of radiological and texture analysis findings using machine learning methods in the differentiation of benign and malignant non-mass enhancements detected on breast MRI and comparison with segmentation-based three dimensional convolutional neural networks

    SERHAT AKIŞ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Radyoloji ve Nükleer TıpDokuz Eylül Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. PINAR BALCI

Geri Dön