Elektrikli otomobil talep tahmini üzerine örnek bir uygulama

Abstract

Bu tez çalışmasında, elektrikli otomobil talebinin tahminine yönelik olarak Ocak 2016 – Nisan 2024 dönemine ait veriler kullanılmıştır. Analiz sürecinde yapay sinir ağları (YSA) ve Bütünleşik Otoregresif Hareketli Ortalama (ARIMA) olmak üzere iki farklı yöntem uygulanmıştır. Elde edilen performans sonuçlarına göre, R uygulaması ile yapay sinir ağı modeli oldukça yüksek bir başarı sergilemiş; modelin determinasyon katsayısı (R²) 0.959 ortalama mutlak hata (MAE) değeri ise 0.0105 olarak hesaplanmıştır. Eviews ortamında gerçekleştirilen ARIMA sonucunda ise modelin R² değeri 0.923, MAE değeri 0.1966 olarak bulunmuştur. Bu sonuçlar, her iki yöntemin de güçlü öngörü yeteneğine sahip olduğunu gösterse de, YSA'nın hata oranı açısından daha üstün bir performans sunduğunu ortaya koymaktadır. Bu nedenle R'da uygulanan YSA'nın Eviews'da uygulanan zaman serilerine göre daha uygun bir seçenek olduğu sonucuna ulaşılmıştır. Bu çalışma, talep tahmininde hem zaman serileri analizi hem de YSA yöntemlerini bir arada ele alarak literatüre önemli bir katkı sunmaktadır. Elde edilen bulgular, benzer problemlerin çözümünde kullanılabilecek yöntemsel bir altyapı sağlayarak, gelecekte yapılacak çalışmalara yön gösterecek niteliktedir. Ayrıca, geleneksel ve yapay zekâ tabanlı modellerin karşılaştırılması yoluyla, model seçimi ve tahmin doğruluğu gibi kritik konularda araştırmacılara yol gösterici bir kaynak olması hedeflenmektedir. Bu yönüyle çalışma, ileride geliştirilecek yöntem ve uygulamalara temel teşkil edebilecek bir referans niteliği taşımaktadır.In this thesis, data from the period of January 2016 to April 2024 were used to forecast the demand for electric vehicles. During the analysis process, two different methods were applied: Artificial Neural Networks (ANN) and the Autoregressive Integrated Moving Average (ARIMA) model. According to the obtained performance results, the ANN model implemented in R demonstrated a remarkably high level of accuracy, with a coefficient of determination (R²) of 0.959 and a mean absolute error (MAE) of 0.0105. On the other hand, the ARIMA model implemented in the EViews environment yielded an R² value of 0.923 and an MAE value of 0.1966. These results indicate that although both methods possess strong forecasting capabilities, the artificial neural network outperforms the ARIMA model in terms of error rates. Therefore, it is concluded that the ANN method implemented in R is a more suitable option compared to the time series analysis conducted in EViews. This study contributes significantly to the literature by examining both time series analysis and artificial neural network methods in demand forecasting. The findings provide a methodological framework that can be utilized in solving similar problems and offer guidance for future research in this field. Additionally, by comparing traditional and AI-based models, the study aims to serve as a reference for researchers in critical areas such as model selection and forecasting accuracy. In this respect, the study holds the potential to serve as a foundational reference for the development of new methods and applications in future research