Analysis of vehicle features using data mining methods

Abstract

Globally, the impact of the automotive industry on the economy and our daily existence is enormous, in both directions. Not only do they function as transportation, but far beyond that, vehicles have also become data generating machines. Manufacturers or dealers keep various records and collect statistics, including categories such as model types, production rates, etc.; odometer readings of the distance driven, purchase costs or repair/maintenance expenses, cost factors related to initial or long-term vehicle ownership, engine characteristics such as fuel type/horsepower/overall volume, transmission characteristics at downshift points and more. In this study, association analysis was performed with the Apriori algorithm, one of the data mining methods, using vehicle data from the automobile sector. A total of 634 vehicles were analyzed in 9 different categories: model, production category, range category, price category, engine displacement category, horsepower category, fuel type, cost category and gear type. The Apriori algorithm was used to identify the strongest relationships between these attributes. The results show that vehicles in the high-cost category generally have gasoline fuel type, while vehicles in the new production category are generally in the low range category. In addition, the vehicles in the manual transmission type were found to be mostly gasoline. Vehicles in the low-cost category were generally found to have diesel fuel type. The 634 vehicles analyzed cover a wide range of models and categories. In particular, the strong relationship between fuel type and cost category suggests that gasoline vehicles are usually in the high-cost category. In addition, vehicles in the new production category are in the low-walk category, indicating that these vehicles are generally less used or newer. These findings offer new insights on the automotive industry and consumer behavior and can help vehicle manufacturers and dealers to better understand potential customer preferences. This study highlights the importance of extracting information from large data sets and supporting decision-making processes.

Keywords

• data mining
• apriori algorithm
• weka

Veri madenciliği yöntemleriyle araç özelliklerinin incelenmesi

Abstract

Otomotiv endüstrisinin küresel olarak her iki yönde, ekonomi ve günlük varlığımız üzerindeki etkisi çok büyüktür. Yalnızca ulaşım işlevi görmekle kalmamakta, bunun çok daha ötesinde araçlar, aynı zamanda veri üreten makineler haline de gelmiş durumdadır. Üreticiler veya bayiler model çeşitleri, üretim oranları gibi kategoriler de dahil olmak üzere çeşitli kayıtları tutar ve istatistikleri toplarlar; sürülen araçların kat ettiği mesafe kilometre sayacı okumaları, satın alma maliyetleri veya onarım/bakım giderleri, ilk veya uzun vadeli araç sahipliği ile ilgili maliyet faktörleri, yakıt türü/beygir gücü/toplam hacmi gibi motor özellikleri, vites küçültme noktalarında şanzıman özellikleri ve daha fazlası bilgiler toplanmaktadır. Bu çalışmada, otomobil sektörüne ait araç verileri kullanılarak veri madenciliği yöntemlerinden Apriori algoritması ile birliktelik analizi gerçekleştirilmiştir. Toplamda 634 aracın modeli, üretim kategorisi, yürüş(menzil) kategorisi, fiyat kategorisi, motor hacmi kategorisi, beygir gücü kategorisi, yakıt türü, maliyet kategorisi ve vites türü olmak üzere 9 farklı kategori üzerinden analiz yapılmıştır. Apriori algoritması kullanılarak bu özellikler arasındaki en güçlü ilişkiler belirlenmiştir. Sonuçlar, yüksek maliyet kategorisindeki araçların genellikle benzin yakıt türüne sahip olduğunu, yeni üretim kategorisindeki araçların ise genellikle az yürüş kategorisinde olduğunu göstermektedir. Ayrıca, düz vites türündeki araçların büyük oranda benzinli olduğu ortaya çıkmıştır. Düşük maliyet kategorisindeki araçların ise genellikle dizel yakıt türüne sahip olduğu bulunmuştur. Analiz edilen 634 araç, geniş bir yelpazede model ve kategorilere sahiptir. Özellikle, yakıt türü ile maliyet kategorisi arasındaki güçlü ilişki, benzinli araçların genellikle yüksek maliyet kategorisinde olduğunu göstermektedir. Bunun yanı sıra, yeni üretim kategorisindeki araçların az yürüş kategorisinde olması, bu araçların genellikle daha az kullanıldığını veya daha yeni olduklarını göstermektedir. Bu bulgular, otomotiv endüstrisi ve tüketici davranışları üzerinde yeni bakış açıları sunmakta olup, araç üreticileri ve satıcıları için potansiyel müşteri tercihlerini daha iyi anlamalarına yardımcı olabilir. Bu çalışma, büyük veri setlerinden bilgi çıkarma ve karar verme süreçlerini desteklemenin önemini vurgulamaktadır.

Keywords

• veri madenciliği
• apriori algoritması
• weka

Thanks

Vakit ayırdığınız ve çalışmamızı incelediğiniz için teşekkür ederim.

References

1. Alan, M. A. & Yeşilyurt, C. (2019). Birliktelik Kuralları Madenciliği İle Yatan Hasta Profilinin Çıkarılması. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, Cilt: 23, Özel Sayı, 1917-1926.
2. Ateş, Y. & Karabatak, M. (2017). Nicel Birliktelik Kuralları İçin Çoklu Minimum Destek Değeri. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 29 (2), 57-65.
3. Kumbhare, T., & Chobe, S. (2014). An Overview of Association Rule Mining Algorithms. (IJCSIT) International Journal of Computer Science and Information Technologies, 927-930.
4. Zaki, M., & Hsiao, C.-J. (2002). CHARM: An Efficient Algorithm for Closed Itemset Mining. SIAM International Conference on Data Mining, (s. 457-473).