Ham Petrol Fi̇yatlarinin Yapay Si̇ni̇r Ağlari İle Tahmi̇ni̇

Demirkoparan, Ferhan; Taştan, Serkan; Kaynar, Oğuz

doi:10.21121/eab.2010219636

Cited by 13 publications

(9 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Bu algoritmada hatalar geriye doğru çıkıştan girişe doğru azaltılmaya çalışılır (Seyman ve Taşpınar, 2009). Bu ağlarda, ağ mimarisini belirleyerek, ağı tahmin amaçlı olarak da kullanmak mümkündür (Çuhadar, 2013;Kaynar, Taştan ve Demirkoparan, 2010;Kayri, 2015).…”

Section: çOk Katmanlı Algılayıcı Yapay Sinir Ağı (çKaysa)unclassified

Analysis of Factors Effecting PISA 2015 Mathematics Literacy via Educational Data Mining

Güre

Kayrı

Erdoğan

2020

View full text Add to dashboard Cite

Section: çOk Katmanlı Algılayıcı Yapay Sinir Ağı (çKaysa)unclassified

Analysis of Factors Effecting PISA 2015 Mathematics Literacy via Educational Data Mining

Güre

Kayrı

Erdoğan

2020

View full text Add to dashboard Cite

“…RBF networks take a shorter period of time in training compared to MLP and they can approach the best solution without getting stuck on local minimums. Therefore, RBF networks have started to be used in applications involving prediction, curve fitting and function approximation as an alternative neural network to MLP (Kaynar et al, 2010). The structure of radial basis function network is given in Figure 3.…”

Section: Alphanumeric Journalmentioning

confidence: 99%

A Comparison Of Artificial Neural Networks And Multiple Linear Regression Models As Predictors Of Discard Rates In Plastic Injection Molding

Kargi

2015

Alphanumeric

View full text Add to dashboard Cite

In today's global competitive environment, it is important to be able to evaluate the efficient use of a firms' resources. The aim of this study is to predict the discard rate for headlight frames before the project of an automotive sub-industry firm in Bursa. For this prediction, the multilayer perceptron model, the radial basis function network model and multiple linear regression models were used. Matlab R2010b software was used for the multilayer perceptron model and radial basis function network solutions, and SPSS 13 packet software was used to solve the multiple linear regressions. Comparing the three models, the multilayer perceptron model was identified as the best predictive model.

show abstract

“…YSA yapay zeka biliminin alt dallarından birisi olarak araştırmacıların en çok başvurdukları yöntemlerden birisidir. YSA'nın çalışmasına esas teşkil eden en küçük birimler yapay sinir hücresi ya da işlem elemanı olarak isimlendirilir [7], [23], [24]. Ayrıca, YSA araştırmalarında genellikle dijital, analog ve görsel olarak üç tip sinirsel ağ yapısı tanımlanmaktadır.…”

Section: Yapay Sinir Ağlarıunclassified

“…Eke tarafından orta dönem yük tahmini üzerine diferansiyel evrim algoritması ile desteklenmiş YSA modeli geliştirilmiştir [1]. Kaynar ve arkadaşları tarafından ham petrol fiyatlarının YSA ile tahminlemesi yapılmıştır [7]. Yeni ürün adaptasyonu konusunda, Parry ve arkadaşları ise piyasaya sürülmüş olan yeni bir dijital disk oynatıcı ürününün bir yıllık müşteri verilerinin ileri beslemeli geri yayılımlı YSA ve genetik algoritma tabanlı iki modeli ile talep tahminlemesi yapmışlardır [8].…”

Section: Introductionunclassified

Improving of an Artificial Neural Networks Forecasting Model for Determining of the Number of Calls in 112 Emergency Call Center

Aydemir¹,

Karaatlı²,

Yılmaz³

et al. 2014

Pamukkale J Eng Sci

View full text Add to dashboard Cite

Tahminleme çalışmaları, teknik, sosyal ve ekonomik araştırmalar bakımından son derece önemlidir. İlgilenilen sistem hakkında gerçekleşmiş veriler kullanarak tahmin yapmak ya da yüksek doğrulukta tahminler yapabilmek genellikle çok zordur. Bilimsel yazında, tahminleme çalışmalarına enerji, personel planlama, üretim planlama, iklim değişimleri, satış-pazarlama ve ekonomik çalışmalarda sıklıkla rastlanmaktadır. Bu çalışmada, ülkemizde de son yıllarda yeniden yapılanma sürecine giren, sağlık, itfaiye ve güvenlik hizmetlerinin tek numarada birleştirilmesi konusundaki Acil Çağrı Merkezleri'nin bir pilot uygulaması olan Isparta ili 112 Acil Çağrı Merkezi için sağlık, güvenlik ve itfaiye ihtiyaçlarına yönelik gelebilecek çağrı sayısını tahminlemek amacıyla bir yapay sinir ağları (YSA) modeli geliştirilmiştir. Modelde gelecek dönemler için muhtemel çağrı sayısını tahminleme modeli için kurulan ağın eğitilmesinde momentum ve adatif öğrenme oranı kullanan ileri beslemeli geri yayılımlı en dik iniş algoritması kullanılmıştır. Uygulamada, geçmiş bir aylık verilerin %80'i öğrenme ve %20'si test amacıyla kullanılmıştır. Test süreci sonunda ortalama mutlak yüzdelik hata (OMYH) oranı %4,5 olarak elde edilmiş ve modelin test edilmesi uygun görülmüştür. Ayrıca, gelecek bir ay için OMYH oranı YSA modeli için %2,65, trend analizi modeli için %6,40 ve oto-regresif entegreli hareketli ortalama (ARIMA) modeli için %5,24 olacak şekilde çağrı türlerine göre çağrı sayıları her gün için elde edilmiştir. Sonuç olarak, YSA kullanılarak yapılan tahminleme ile trend analizi ve ARIMA (1 1 1) modeline göre daha düşük OMYH oranına sahiptir.Forecasting studies are extremely important in the technical, social and economic research. Generally, we know it is very difficult to forecast with higher accurate about a system by using recent values. In the scientific literature, the forecasting studies of energy, personnel planning, production planning, climate changes, sales and marketing and economics etc. are frequently found. In this paper, for an emergency calls center in Isparta province of Turkey an artificial neural network (ANN) forecasting model was developed to determine the number of calls for as health, fire and security services on a pilot implementation of the emergency calls center on a single number 112. In the developed model, the gradient descent with adaptive learning and momentum (GDX) algorithm is selected as the training algorithm with feed-forward back-propagation by using 80% of input data and the 20% of input data is used for testing set data from last month. After the testing, the mean absolute percentage error (MAPE) rate is obtained as 4.5% and it is useful to test. In addition, the forecasting results of the next month are shown that the MAPE values are 2.65%, 6.40% and 5.24% with ANN, trend analysis and ARIMA (1 1 1) models respectively and, the number of calls are found separately on the types of calls in daily. Consequently, the developed model by using ANN to forecast the number of calls in an emergency call center is more ...

show abstract

Ham Petrol Fi̇yatlarinin Yapay Si̇ni̇r Ağlari İle Tahmi̇ni̇

Cited by 13 publications

References 0 publications

Analysis of Factors Effecting PISA 2015 Mathematics Literacy via Educational Data Mining

Analysis of Factors Effecting PISA 2015 Mathematics Literacy via Educational Data Mining

A Comparison Of Artificial Neural Networks And Multiple Linear Regression Models As Predictors Of Discard Rates In Plastic Injection Molding

Improving of an Artificial Neural Networks Forecasting Model for Determining of the Number of Calls in 112 Emergency Call Center

Contact Info

Product

Resources

About