Please use this identifier to cite or link to this item:
https://hdl.handle.net/20.500.13091/550
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | Kesen, Saadettin Erhan | - |
dc.contributor.author | Erdem, Osman Emin | - |
dc.date.accessioned | 2021-12-13T10:26:55Z | - |
dc.date.available | 2021-12-13T10:26:55Z | - |
dc.date.issued | 2019 | - |
dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=vjszP7PzV0HebcjFEvDfwL0Om1ZCjAAPMZ6bTPRA4EQWdu_co8XnVQb5vxyz0IE2 | - |
dc.identifier.uri | https://hdl.handle.net/20.500.13091/550 | - |
dc.description.abstract | Teknolojinin ilerlemesi ve dünya nüfusunun giderek artması enerjiye olan ihtiyacın her geçen gün artması anlamına gelmektedir. Dünyadaki kullanılabilir enerji kaynaklarının en önemlilerinden biri doğalgazdır. Türkiye'nin doğal ve yeraltı kaynaklarının sınırlı olması nedeniyle enerjide dışa bağımlılığın yüksektir. Bu sebeple satın alınan doğalgazın etkin ve verimli kullanılabilmesi ve önümüzdeki yıllara yönelik güvenilir enerji politikaları geliştirebilmek ancak ülkemizin önümüzdeki yıllardaki doğalgaz tüketiminin doğru tahmin edilmesi ile mümkündür. Bu çalışmada 2010-2018 yılları arasındaki 8 yıllık aylık bazda Türkiye'nin doğalgaz tüketim verilerini kullanarak makine öğrenmesi teknikleri ile tahminleme yapılmıştır. Yapay sinir ağları, rastgele orman ağacı, regresyon, zaman serileri, çok mevsimli zaman serileri tekniklerinin doğalgaz tüketiminin tahmin edilmesinde birbirleri ile olan performansları karşılaştırılmıştır. Deneysel sonuçlar yapay sinir ağlarının 5 metot arasında en düşük ortalama hata kareleri değerine sahip olduğunu ve regresyon tekniğinin yapay sinir ağlarının ardından ikinci en iyi teknik olduğunu göstermiştir. Beş teknik arasında en kötü performansı zaman serileri göstermiştir. | en_US |
dc.description.abstract | Technological advancements coupled with growing world population require the increasing need of energy. Natural gas is one of the most important usable energy resources. Turkey is with high external dependency on energy as it has its own limited natural and underground energy resources. Thus, in order to effectively and productively use of natural gas purchased from foreign countries and to make reliable and robust energy policies for the years ahead, it is crucial to make a reasonable and plausible prediction for natural gas consumption of Turkey. In this paper, we estimate the natural gas consumption using machine learning techniques on the basis of real monthly data representing natural gas consumption of Turkey between the years 2010 and 2018. The performances of machine learning techniques involving Artificial Neural Networks, Random Forest Tree, Regression, Time Series and Multiple Seasonality Time Series are compared in predicting the natural gas consumption of Turkey. Experimental results show that among the five techniques, artificial neural networks produce the best estimation, having the lowest mean square errors, followed by regression method. Time series shows the worst performance among all the techniques. | en_US |
dc.language.iso | tr | en_US |
dc.publisher | Konya Teknik Üniversitesi | en_US |
dc.rights | info:eu-repo/semantics/openAccess | en_US |
dc.subject | Endüstri ve Endüstri Mühendisliği | en_US |
dc.subject | Industrial and Industrial Engineering | en_US |
dc.title | Makine öğrenme teknikleri ile Türkiye'nin doğalgaz enerji tüketiminin tahminlenmesi | en_US |
dc.title.alternative | Estimation of Turkey's natural gas consumption with machine learning techniques | en_US |
dc.type | Master Thesis | en_US |
dc.department | Enstitüler, Lisansüstü Eğitim Enstitüsü, Endüstri Mühendisliği Ana Bilim Dalı | en_US |
dc.identifier.startpage | 1 | en_US |
dc.identifier.endpage | 60 | en_US |
dc.institutionauthor | Erdem, Osman Emin | - |
dc.relation.publicationcategory | Tez | en_US |
dc.identifier.yoktezid | 589789 | en_US |
item.fulltext | With Fulltext | - |
item.openairetype | Master Thesis | - |
item.openairecristype | http://purl.org/coar/resource_type/c_18cf | - |
item.languageiso639-1 | tr | - |
item.cerifentitytype | Publications | - |
item.grantfulltext | open | - |
Appears in Collections: | Tez Koleksiyonu |
Files in This Item:
File | Size | Format | |
---|---|---|---|
589789.pdf | 2 MB | Adobe PDF | View/Open |
CORE Recommender
Page view(s)
650
checked on Aug 26, 2024
Download(s)
396
checked on Aug 26, 2024
Google ScholarTM
Check
Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.