Araç kiralama sektöründeki geleceğe yönelik tahminleme süreçlerinde yapay sinir ağları ve zaman serilerinin kullanılması

Abstract

Günümüz dünyasında ticari rekabetin içerisinde kalabilmenin önemli unsurları ekonomik alanda ve ticari işletmelerde geleceği öngörebilmek ve doğruya en yakın tahmini yapabilmektir. Teknoloji ile birlikte yapay zekâ yöntemlerinin gelişmesi tahmin sürecine farklı bir boyut kazandırıp gelişim sürecini hızlandırmıştır. Bu çalışmanın amacı; zaman serisi problemlerinde yaygın olarak kullanılan Özbağlanımsal Tümleşik Hareketli Ortalama (Autoregressive Integrated Moving Average-ARIMA) ve Uzun Kısa Vadeli Bellek (Long Short Term Memory-LSTM) yöntemlerinin araç kiralama sektör verileri ile karşılaştırılmasıdır. Bu çalışmanın giriş bölümünde araç kiralama sektörünün tarihsel gelişimine bahsedilmekle beraber planlama ve tahminleme sürecinin sektördeki önemine değinilmektedir. Bu çalışma kapsamında yapay sinir ağları, derin öğrenme ve zaman serileri kavramları detaylıca açıklanmış olup alanyazın taraması gerçekleştirilmiştir. İlgili kavramlar ve alanyazın araştırması genel bilgiler bölümünde yer almaktadır. Ayrıca genel bilgiler bölümünde tahmin, nitel ve nicel yöntemler, yapay zekâ yöntemleri, derin öğrenmede kullanılan programlama dilleri, ilişkisel ve ilişkisel olmayan veritabanları, derin öğrenmede kullanılan program kütüphaneleri, model seçimlerinde kullanılan ölçütler ve model doğrulama yöntemlerinden bahsedilmektedir. Yapay sinir ağları ve zaman serileri modeli yapısı bölümünde; zaman serileri yöntemleri, yapay sinir ağları ve derin öğrenme yöntemlerinin yapısal bileşenleri incelenmektedir. LSTM ve SARIMA modellerinin uygulaması ve bulgular bölümünde; LSTM ve SARIMA modellerinin oluşturulmasında kullanılan verinin incelenmesi ve bu çalışmaya konu olan modelin kodlaması, yapısı ve bulgular anlatılmaktadır.In today's world, foreseeing the future or making accurate forecast are one of the most important factors of 'staying in game' in terms of commercial competition. The development of artificial intelligence methods with technology has brought a different dimension to the prediction process which has accelerated the forecast development. The aim of this study is to compare Autoregressive Integrated Moving Average-ARIMA which is widely used in time series problems, and Long Short Term Memory-LSTM methods, in aspect of car rental sector data. In the introduction part of this study, the historical development, the importance of the planning and the forecasting process of car rental sector are mentioned. In this study, the concepts of artificial neural networks, deep learning and time series are explained and the literature is reviewed. These concepts and research of the literature are included in the section of general information. In addition, at section of general information, prediction, qualitative and quantitative methods, methods of artificial intelligence, programing languages and libraries that are used in deep learning, relational and non-relational databases, criteria used in model selection and methods of model validation are mentioned. In the Artificial neural networks and time series model structure section; The structural components of time series methods, artificial neural networks and deep learning are reviewed. In the application and findings section of LSTM and SARIMA models; Examination of the data used in the creation of LSTM and SARIMA models and the coding, structure and findings of the model subject to this study are explained.