Makine öğrenimi ile binek otomobil ihracat tahmini: MLP ve RBF modeli kullanımı

Year 2024, , 17 - 34, 21.10.2024

Yunus Emre Gür , Kamil Abdullah Eşidir , Şahin Göktuğ Kaldırımcı

https://doi.org/10.33707/akuiibfd.1426338

Abstract

Yapay Sinir Ağları (YSA), makine öğrenmesi alanında yaygın olarak kullanılan etkili bir yöntemdir ve tahmin yapmada başarılı sonuçlar sağlayabilir. YSA, biyolojik sinir sisteminden ilham alınarak matematiksel bir model oluşturur. Bu çalışmada, Türkiye'nin aylık binek otomobil ihracatını tahmin etmek için Yapay Sinir Ağı yaklaşımlarından Multilayer Perceptron (MLP) ve Radial Basis Function (RBF) modelleri kullanılmıştır. Geliştirilen sinir ağı modelleri, Türkiye'nin aylık binek otomobil ihracatını tahmin etmek için tasarlanmıştır. Bağımlı değişken olarak binek otomobil ihracat değeri kullanılırken, bağımsız değişkenler arasında Türkiye'nin aylık binek otomobil ithalatı, Amerikan Doları Kuru, Türkiye ithalatı, yeni otomobil satış adedi, motorlu kara taşıtları üretim endeksi ve yurt dışı üretici fiyat endeksi gibi faktörler bulunmaktadır. Türkiye İstatistik Kurumu ve Türkiye Cumhuriyet Merkez Bankası'ndan elde edilen aylık veriler (Ocak 2010 - Kasım 2023, 167 ay süresince) kullanılarak, Aralık 2023 ile Haziran 2024 arasındaki 7 aylık binek otomobil ihracat değerleri tahmin edilmiştir. İki farklı sinir ağı modelinin performansı karşılaştırılarak, tahminlerin farklılıkları ve sonuçları analiz edilmiştir. Bu çalışma, MLP modelinin RBF modele göre daha iyi sonuçlar verdiği sonucuna ulaşmıştır. Elde edilen sonuçlar, gelecekte binek otomobil ihracatının nasıl şekillenebileceği hakkında önemli bilgiler sunmaktadır.

Keywords

Otomobil İhracatı, Yapay Sinir Ağları, Multilayer Perceptron (MLP), Radial Basis Function (RBF), İhracat Tahmini

Passenger car export forecasting with machine learning: Using MLP and RBF model

Abstract

Artificial neural networks (ANN) are an effective method widely used in the field of machine learning and can provide successful results in making predictions. ANN creates a mathematical model inspired by the biological nervous system. This study uses multilayer perceptron (MLP) and radial basis function (RBF) models to predict Turkey's monthly passenger car exports. The neural network models are designed to forecast Turkey's monthly passenger car exports. The dependent variable is the value of passenger car exports. In contrast, the independent variables include Turkey's monthly passenger car imports, the USD exchange rate, Turkey's imports, the number of new car sales, the motor vehicle production index, and the foreign producer price index. Using monthly data obtained from the Turkish Statistical Institute and the Central Bank of the Republic of Turkey (January 2010–November 2023, 167 months), passenger car export values for seven months between December 2023 and June 2024 are estimated. The differences and results of the forecasts are analyzed by comparing the performance of two different neural network models. This study concludes that the MLP model gives better results than the RBF model. The obtained results provide important information about how passenger car exports may be shaped in the future.

Keywords

Automobile Export, Artificial Neural Networks, Multilayer Perceptron (MLP), Radial Basis Function (RBF), Export Forecasting

References

• Aktaş C. (2007). Otomobil İhracatı ve İthalatı Fiyat Endeksi Verilerinin Farklı Varyanslılığının İncelenmesi. İstanbul Ticaret Üniversitesi Sosyal Bilimler Dergisi, 6(11), 149-162.
• Akyurt, İ. Z. (2015). Talep Tahmininin Yapay Sinir Ağlarıyla Modellenmesi: Yerli Otomobil Örneği. Ekonometri ve İstatistik Dergisi, 23, 147-157.
• Athukorala, P. C., & Veeramani, C. (2019). From import substitution to integration into global production networks: The case of the Indian automobile industry. Asian Development Review, 36(2), 72-99.
• Boughrara, H., Chtourou, M., Ben Amar, C., & Chen, L. (2016). Facial expression recognition based on a mlp neural network using constructive training algorithm. Multimedia Tools and Applications, 75, 709-731.
• Breiman, L., Friedman, J., Stone, C.J., & Olshen, R.A. (1984). Classification and Regression Trees. CRC press.
• Çokşen, E. (2023). Covid-19’un Otomotiv Sektörüne Etkileri ve Bir Analiz. [Yayımlanmamış Doktora Tezi] Marmara Universitesi.
• de Soyres, F., Frohm, E., & Gunnella, V. (2020). How Global Value Chains Change the Trade-Currency Relationship. FEDS Notes.
• Feurer, M., & Hutter, F. (2019). Hyperparameter optimization. İçinde: Automated machine learning: Methods, systems, challenges. (ss. 3-33). Springer.
• Gagnon, J. E., & Knetter, M. M. (1995). Markup Adjustment and Exchange Rate Fluctuations: Evidence From Panel Data On Automobile Exports. Journal of International Money and Finance, 14(2), 289-310.
• Gerni C., Emsen Ö. S., M. K. Değer (2008), İthalata Dayalı İhracat ve Ekonomik Büyüme: 1980‐2006 Türkiye Deneyimi, 2. Ulusal İktisat Kongresi , İzmir.
• Gomez-Ibanez, J. A., & Harrison, D. (1982). Imports and the Future of the US Automobile Industry. The American Economic Review, 72(2), 319-323.
• Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International journal of forecasting, 22(4), 679-688.
• İnançlı, S., & Konak, A. (2011). Türkiye’de İhracatın İthalata Bağımlılığı: Otomotiv Sektörü. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, 6(2), 343-362.
• Karaatlı, M., Helvacıoğlu, Ö. C., Ömürbek, N., & Tokgöz, G. (2012). Yapay sinir ağlari yöntemi ile otomobil satiş tahmini. Uluslararası Yönetim İktisat ve İşletme Dergisi, 8(17), 87-100.
• Karakaş, E. (2019). Türkiye’nin Otomotiv İhracat Gelirinin Arima Modeli ile Tahmin Edilmesi. Yaşar Üniversitesi E-Dergisi, 14(55), 318-328.
• Kayakuş, M., Terzioğlu, M., Yağmur, A., & Erdoğan, D. (2023). Türkiye’deki Hafif Ticari Araç Satışlarının Makine Öğrenmesi Yöntemleriyle Tahmin Edilmesi. Gazi Mühendislik Bilimleri Dergisi, 9(4-ICAIAME 2023), 100-112.
• Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. İçinde: Ijcai (Vol. 14, No. 2, ss. 1137-1145).
• Lasya, C. L., Pooja, S., Jeyashree, S., Ambhika, C., & Eswari, G. (2023, April). Forecasting Pre-Owned Car Prices Using Machine Learning. İçinde 2023 2nd International Conference on Smart Technologies and Systems for Next Generation Computing (ICSTSN) (ss. 1-6). IEEE.
• Nur, H. B., & Çalbörü, M. (2023). Türkiye’de Sektörlerin Dış Ticaret ve İstihdamdaki Yeri: Türkiye Otomotiv Sektörü Analizi. Stratejik Ve Sosyal Araştırmalar Dergisi, 7(1), 35-53.
• Paparoditis, E., & Politis, D. N. (2018). The asymptotic size and power of the augmented Dickey–Fuller test for a unit root. Econometric Reviews, 37(9), 955-973.
• Phillips, P. C., & Perron, P. (1988). Testing for a unit root in time series regression. biometrika, 75(2), 335-346.
• Ray, S. (2012). Economic Performance of Indian Automobile İndustry: An Econometric Appraisal. Business Intelligence Journal, 5(1), 151-162.
• Samaddar, M., & Bachman, D. (2022). No longer a smooth drive: How automobiles’ role in the US economy has evolved. Deloitte Insights. https://www2.deloitte.com/us/en/insights/economy/spotlight/automobile- impact-us-economy.html Erişim Tarihi: 19.02.2024
• Sing, J. K., Basu, D. K., Nasipuri, M., & Kundu, M. (2003, October). Improved k-means algorithm in the design of RBF neural networks. İçinde TENCON 2003. Conference on Convergent Technologies for Asia-Pacific Region (Vol. 2, ss. 841-845). IEEE.
• Türkiye İstatistik Kurumu (TÜİK) Verileri, https://data.tuik.gov.tr/ Erişim tarihi: 10.01.2024
• Topal, İ. (2019). Çevrimiçi Tüketici Bütünleşmesi Ve Arama Motoru Verileri Kullanılarak Yapay Sinir Ağları İle Otomobil Satış Tahmini. Nevşehir Hacı Bektaş Veli Üniversitesi SBE Dergisi, 9(2), 534-551.
• Wilamowski, B. M. (2009). Neural network architectures and learning algorithms. IEEE Industrial Electronics Magazine, 3(4), 56-63.
• Williamson, J. (2009). Exchange rate economics. Open Economies Review, 20, 123-146.
• Wu, J., Chen, X. Y., Zhang, H., Xiong, L. D., Lei, H., & Deng, S. H. (2019). Hyperparameter optimization for machine learning models based on Bayesian optimization. Journal of Electronic Science and Technology, 17(1), 26-40.
• Yingwei, L., Sundararajan, N., & Saratchandran, P. (1998). Performance evaluation of a sequential minimal radial basis function (RBF) neural network learning algorithm. IEEE Transactions on neural networks, 9(2), 308-318.
• Yoğunlu, A., (2022). Yenilik Ekosistem Yaklaşımına Dayalı Teknoloji Geliştirme Bölgeleri. Gazi Kitabevi.