Blockchain Destekli Nesnelerin İnterneti (IoT) Varlıklarında Fiyat Tahmini İçin Model Karşılaştırması

Year 2025, Volume: 8 Issue: 4, 1057 - 1066, 15.07.2025

Çağatay Ersin , Onur Köktürk

https://doi.org/10.34248/bsengineering.1665890

Abstract

Teknolojik gelişmelerin hız kazanmasıyla birlikte Nesnelerin İnterneti (IoT - Internet of Things), küresel ölçekte üretim süreçlerinden akıllı şehir uygulamalarına, kişisel sağlık izleme cihazlarından akıllı spor kıyafetlerine kadar geniş bir yelpazede dönüşüme katkı sağlamaktadır. Nesnelerin İnterneti, cihazların birbirleriyle ve veri merkezleriyle etkileşime geçerek büyük miktarda veri ürettiği bir ekosistem yaratmaktadır. Bu bağlamda, IoT teknolojilerine dayalı blok zinciri tabanlı kripto varlıklar da gelişim göstermiştir. Bu çalışmanın amacı, IoT temalı kripto varlıklardan Vechain (VET), IOTA ve Helium (HNT) için fiyat tahmini yapmaktır. Çalışmada 02.01.2020 - 10.12.2024 tarihleri arasındaki Vechain ve IOTA, 09.06.2020 - 10.12.2024 tarihleri arasındaki Helium coinin günlük kapanış fiyatları kullanılmıştır. Fiyat tahmini için Karar Ağaçları (Decision Trees), Rassal Orman (Random Forest) ve Destek Vektör Regresyonu (SVR) modelleri karşılaştırılmıştır. Karar ağaçları modeli, geçmiş fiyat verilerini baz alarak gelecekteki fiyat hareketlerini tahmin etmeyi amaçlamaktadır. Rassal Orman algoritması, birden fazla karar ağacının bir araya getirilmesiyle oluşan topluluk öğrenme yöntemini kullanarak daha sağlam ve genellenebilir tahminler sunmaktadır. Destek Vektör Regresyonu (SVR) ise veri noktaları arasındaki karmaşık ilişkileri daha iyi yakalamak için hiper düzlemleri kullanarak doğrusal olmayan regresyon modelleri oluşturur. Modellerin performansı Mean Squared Error (MSE) ve R² (R-kare) skoru gibi metriklerle değerlendirilmiştir. Sonuçlar, Rassal Orman modelinin Helium ve IOTA coinlerin tahminlerinde yüksek doğruluk sağladığını, VeChain coin için ise SVR’nin daha iyi modellediğini ortaya koymuştur. Karar Ağaçları modeli, bağımsız tahminler üretme konusunda başarılı olmakla birlikte diğer modellere göre nispeten daha düşük performans göstermiştir.

Keywords

Kripto varlıklar, Karar ağaçları, Rassal orman, Destek vektör regresyonu

Model Comparison for Price Prediction in Blockchain-Enabled Internet of Things (IoT) Assets

Abstract

With the acceleration of technological developments, the Internet of Things (IoT) contributes to a wide range of transformations, from global production processes to smart city applications, from personal health monitoring devices to smart sportswear. The Internet of Things creates an ecosystem where devices interact with each other and data centers to produce large amounts of data. In this context, blockchain-based crypto assets based on IoT technologies have also developed. The aim of this study is to make a price prediction for IoT themed crypto assets Vechain (VET), IOTA and Helium (HNT). In the study, the daily closing prices of Vechain and IOTA between 02.01.2020 - 10.12.2024, and Helium coin between 09.06.2020 - 10.12.2024 were used. Decision Trees, Random Forest and Support Vector Regression (SVR) models were compared for price prediction. The decision tree model aims to predict future price movements based on past price data. The Random Forest algorithm provides more robust and generalizable predictions by using the ensemble learning method formed by combining multiple decision trees. Support Vector Regression (SVR) creates non-linear regression models using hyperplanes to better capture complex relationships between data points. The performance of the models was evaluated with metrics such as Mean Squared Error (MSE) and R² (R-squared) score. The results showed that the Random Forest model provided high accuracy in predictions for Helium and IOTA coins, while SVR modelled better for VeChain coin. The Decision Tree model was successful in producing independent predictions but showed relatively lower performance than other models.

Keywords

Cryptocurrency, Decision trees, Random forest, Support vector regression

References

• Ahamad S, Gupta P, Acharjee PB, Kiran KP, Khan Z, Hasan MF. 2022. The role of block chain technology and Internet of Things (IoT) to protect financial transactions in crypto currency market, Mater Today Proc, 56: pp: 2070-2074.
• Akay MK, Canik F, Yeşilyurt C, Günkut MŞ. 2022. Yapay zekâ teknikleri ile kripto para değeri tahmini, Ekom Bil Derg, 14(1): pp: 72-101.
• Akel V, Bayramoğlu MF. 2008. Finansal kriz dönemlerinde yapay sinir ağları ile finansal öngörüde bulunma: İMKB 100 endeksi örneği, Uluslararası Sermaye Hareketleri ve Gelişmekte Olan Piyasalar Sempozyumu, pp: 36-69.
• Akşehir ZD, Kılıç E. 2019. Makine öğrenmesi teknikleri ile banka hisse senetlerinin fiyat tahmini, Türk Bilişim Vakfı Bilg Bilim Müh Derg, 12(2): pp: 30-39.
• Alshaikhli M, Elfouly T, Elharrouss O, Mohamed A, Ottakath N. 2021. Evolution of Internet of Things from blockchain to IOTA: a survey, IEEE Access, 10: pp: 844-866.
• Altan Ş. 2008. Döviz kuru öngörü performansı için alternatif bir yaklaşım: yapay sinir ağı, Gazi Üniv İİBF Derg, 10(2): pp: 141-160.
• Aygören H, Sarıtaş H, Moralı T. 2012. İMKB 100 endeksinin yapay sinir ağları ve Newton nümerik arama modelleri ile tahmini, Uluslararası Alanya İşlet Fakül Derg, 4(1): pp: 73-88.
• Balijepalli NK, Thangaraj V. 2025. Prediction of cryptocurrency's price using ensemble machine learning algorithms, Eur J Manage Bus Econ, pp:25-42.
• Bouteska A, Abedin MZ, Hajek P, Yuan K. 2024. Cryptocurrency price forecasting–a comparative analysis of ensemble learning and deep learning methods, Int Rev Financ Anal, 92(103055): pp: 1-12.
• Böhme R, Christin N, Edelman B, Moore T. 2015. Bitcoin: economics, technology, and governance, J Econ Perspect, 29(2): pp: 213-238.
• Cankül D, Kızıltaş MÇ. 2020. Yiyecek içecek işletmelerinde tedarik zinciri ve blokzincir teknolojisi, J Gastron Hosp Travel, 3(2): pp: 244-259.
• Chen Z, Li C, Sun W. 2020. Bitcoin price prediction using machine learning: an approach to sample dimension engineering, J Comput Appl Math, 365: pp: 112395.
• Chowdhury Rahman MA, Rahman MS, Mahdy MRC. 2020. An approach to predict and forecast the price of constituents and index of cryptocurrency using machine learning, Phys A Stat Mech Appl, 551(124569): pp: 1-17.
• Çalışkan MMT, Deniz D. 2015. Yapay sinir ağlarıyla hisse senedi fiyatları ve yönlerinin tahmini, Eskişehir Osmangazi Üniv İİBF Derg, 10(3): pp: 177-194.
• Dange S, Nitnaware P. 2024. Secure Share: optimal blockchain integration in IoT systems, J Comput Inf Syst, 64(2): pp: 265-277.
• Das N, Moharana L, Nayak S, Routray A. 2025. Emotional blink patterns: a possible biomarker for anxiety detection in a HCI framework, SN Comput Sci, 6(3): pp: 1-14. DOI: 10.1007/s42979-025-03810-y
• Demirci E, Karaatlı M. 2023. Kripto para fiyatlarının LSTM ve GRU modelleri ile tahmini, J Mehmet Akif Ersoy Univ Econ Adm Sci Fac, 10(1): pp: 134-157.
• Dimitriadou A, Gregoriou A. 2023. Predicting Bitcoin prices using machine learning, Entropy, 25(5): pp: 777.
• Doğan S, Büyükkör Y. 2022. Makine öğrenmesi ile finansal zaman serisi tahminleme, Ankara HBV Üniv İİBF Derg, 24(3): pp: 1205-1230.
• Esenyel İçen NM, Demirezen S, İçen H. 2024. A machine learning-based Bitcoin price forecasting, In: Blockchain, İstanbul Univ Press, İstanbul, Türkiye, pp: 47-71.
• Esenyel NM, Akın M. 2017. Comparing accuracy performance of ELM, ARMA and ARMA-GARCH model in predicting exchange rate return, Alphanumeric J, 5(1): pp: 1-14.
• Eylasov N, Çiçek M. 2024. Kripto para fiyatlarının tahmini: ARIMA-GARCH ve LSTM yöntemlerinin karşılaştırılması, Finans Ekon Sosyal Araş Derg, 9(1): pp: 48-62.
• Fatah MA, Dikananda AR, Rifai A. 2025. Support vector regression to improve Ethereum price prediction for trading strategies, J Artif Intell Eng Appl, 4(2): pp: 738-744.
• Fauzi MA, Paiman N, Othman Z. 2020. Bitcoin and cryptocurrency: challenges, opportunities and future works, J Asian Finance Econ Bus, 7(8): pp: 695-704.
• Gökoğlan K, Atalan İ. 2022. Tarımsal gıda ürünlerinin tedarik zinciri yönetimine blok zincir teknolojisinin etkisi, Ahi Evran Üniv İİBF Derg, 6(1): pp: 97-112.
• Haleem A, Allen A, Thompson A, Nijdam M, Garg R. 2018. A decentralized wireless network, Helium Netw, pp: 1-20. http://whitepaper.helium.com/ (accessed date: July 11, 2025).
• Hiransha M, Gopalakrishnan EA, Menon VK, Soman KP. 2018. NSE stock market prediction using deep-learning models, Procedia Comput Sci, 132: pp: 1351-1362.