Prediction of apricot export volume using artificial intelligence
[ X ]
Tarih
2022
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu çalışmada amaç, Türkiye de önemli ihracat kalemlerinden olan kayısı ürünün ihracat miktarı için en uygun tahmin yöntemini belirlemektir. Tahmin yöntemi belirlenirken, Yapay Sinir Ağları (YSA), Mevsimsel Otoregresif Entegre Hareketli Ortalama (SARIMA) ve Gradyan Artırılmış Ağaçlar (XGBoost) yöntemleri ile tahminlerinin karşılaştırılması sonucu en uygun tahmin yöntemi bulunmuştur. Bu çalışmada Türkiye İstatistik Kurumu'ndan (TÜİK) aylık bazda 2002-2020 Genel Ticaret Sistemi (GTS) Dış Ticaret verileri elde edilmiştir. Mevsimsellik gözlemlenen kayısı verileri 2020 yılı için AR, ARIMA, SARIMA, YSA ve XGBoost yöntemleri kullanılarak tahmin edilmiştir. Sonuç olarak mevcut verilerle karşılaştırıldığında, performans ölçüm sonuçlarına göre en uygun yöntemin XGBoost olduğu bulunmuştur.
This study aims to determine the most appropriate predicting method for the export volume of apricot products, which is one of the essential export items in Turkey. While deciding the predicting strategy, the most appropriate prediction method is found as a result of comparing the predictions with Artificial Neural Networks (ANN), Seasonal Autoregressive Integrated Moving Average (SARIMA), and Extreme Gradient Boosting (XGBoost) methods. In this study, 2002-2020 General Trade System (GTS) Foreign Trade monthly data is obtained from the Turkish Statistical Institute (TURKSTAT). In which seasonality is observed, Apricot data is estimated using AR, ARIMA, SARIMA, ANN, and XGBoost methods for 2020. As a result, XGBoost achieves better prediction accuracy than SARIMA and ANN, according to the impact of the performance measure.
This study aims to determine the most appropriate predicting method for the export volume of apricot products, which is one of the essential export items in Turkey. While deciding the predicting strategy, the most appropriate prediction method is found as a result of comparing the predictions with Artificial Neural Networks (ANN), Seasonal Autoregressive Integrated Moving Average (SARIMA), and Extreme Gradient Boosting (XGBoost) methods. In this study, 2002-2020 General Trade System (GTS) Foreign Trade monthly data is obtained from the Turkish Statistical Institute (TURKSTAT). In which seasonality is observed, Apricot data is estimated using AR, ARIMA, SARIMA, ANN, and XGBoost methods for 2020. As a result, XGBoost achieves better prediction accuracy than SARIMA and ANN, according to the impact of the performance measure.
Açıklama
Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
