AUTOMOBILE DEMAND FORECASTING WITH NARX (NONLINEAR AUTOREGRESSIVE WITH EXOGENOUS INPUTS) ARTIFICIAL NEURAL NETWORKS MODEL

Year 2024, , 31 - 47, 30.07.2024

Mehmet Zeki Seçmen , Sait Patır

https://doi.org/10.54439/gupayad.1486360

Abstract

Purpose: The aim of this study is to forecast automobile demand using the NARX (Non-Linear Autoregressive External Input) ANN (Artificial Neural Networks) model, with the rapid change in technology today and the increasing importance of artificial intelligence in society. Material and Method: In the study, using the MATLAB (Matrix Laboratory) program, the data of the six companies that produce and sell automobiles in Turkey (OYAK Renault, Tofaş, Toyota, Ford, Honda and Hyundai) were published by the Automotive Distributors and Mobility Association (ADMA) between 2014 and 2024. Sales prediction was made with the NARX ANN model from monthly automobile sales data. In the development of the forecast model, the independent variables that are thought to have an impact on automobile demand from the annual activity reports published by the Ministry of Industry and Technology are Brent oil price, dollar exchange rate, vehicle loan interest, CPI, vehicle purchase level, automobile production quantity, and the dependent variable, that is, the output value, is the total of six companies. determined as automobile sales volume. Findings: NARX ANN consists of six inputs, ten hidden neurons and one output. The performance of the proposed model at the test level is MSE = 0.0654, MAPE = % 12.23. These results show that the NARX ANN model generally exhibits good performance. Results: After the training and testing phase of the systematic model, automobile sales demand for the 12 months of 2024 is predicted. Accurate prediction of demand with artificial neural networks allows timetables generated in automobiles to be quickly marketed, which can help increase reliability.

Keywords

Artificial ıntelligence, NARX artificial neural networks model, automobile demand forecasting.

NARX (DOĞRUSAL OLMAYAN OTOREGRESİF DIŞSAL GİRDİLİ) YAPAY SİNİR AĞLARI MODEL İLE OTOMOBİL SATIŞI TALEP TAHMİNİ

Abstract

Amaç: Bu çalışmanın amacı, günümüzde teknoloji alanında yaşanan hızlı değişim ve yapay zekânın da toplum içerisindeki öneminin giderek artmasıyla NARX (Doğrusal Olmayan Otoregresif Dışsal Girdili) YSA (Yapay Sinir Ağları) modelini kullanarak otomobil talep tahmini yapmaktır. Gereç ve Yöntem: Çalışmada, MATLAB (Matris Laboratuvarı) programı kullanılarak Türkiye’de otomobil üretip en çok satış yapan altı firmanın (OYAK Renault, Tofaş, Toyota, Ford, Honda ve Hyundai) Otomotiv Distribütörleri ve Mobilite Derneği (ODMD)’nin 2014–2024 yılları arasında yayınlamış olduğu aylık otomobil satış verilerinden NARX YSA modeli ile satış tahmini yapılmıştır. Tahmin modelinin geliştirilmesinde Sanayi ve Teknoloji Bakanlığının yıllık yayınlamış olduğu faaliyet raporlarından otomobil talebi üzerine etkisi olduğu düşünülen bağımsız değişkenler Brent petrol fiyatı, dolar kuru, taşıt kredi faizleri, TÜFE, araç alım düzeyi, otomobil üretim âdeti, bağımlı değişken ise yani çıktı değeri altı firmanın toplam otomobil satış âdeti olarak belirlenmiştir. Bulgular: NARX YSA, altı girdi, on gizli nöron ve bir çıktıdan oluşmaktadır. Önerilen modelin, test seviyesindeki performansı MSE=0,0654, MAPE=%12,23’dür. Bu sonuçlar, NARX YSA modelinin genel olarak iyi performansı sergilediğini göstermektedir. Sonuç: Önerilen modelin eğitim ve test aşamasından sonra 2024 yılının 12 aylık otomobil satışı talep tahmini yapılmıştır. Yapay sinir ağları ile talebin doğru tahmin edilmesi, otomobil üreten firmaların gelecekte tarifelerini hızlı bir şekilde pazar planlamasına olanak tanır, bu da güvenilirliğinin artmasına yardımcı olabilecektir.

Keywords

Yapay zekâ, NARX yapay sinir ağları model, otomobil talep tahmini.

Ethical Statement

Araştırmada kurum, kuruluş ve organizasyonlar tarafından yayınlanan ikincil veriler kullanıldığı için bilimsel araştırma ve yayın etiği kurulu onayı gerektirmemektedir.

Supporting Institution

Bu çalışma için herhangi bir kurumdan destek alınmamıştır. Çalışma için gereken harcamalar yazarlar tarafından karşılanmıştır.

References

• Accenture, (2023). Create your AI-ready workforce with continuous learning, Erişim adresi: https://www.accenture.com/us-en/services/data-ai. Erişim tarihi: 10.11.2023
• Akın, E., & Şahin, M. E. (2024). Derin öğrenme ve yapay sinir ağı modelleri üzerine bir inceleme. EMO Bilimsel Dergi, 14(1), 27-38.
• Adalı, E. (2012). Doğal dil işleme ve uygulamaları. ABC Yayınevi.
• Akbulut, Ö. (2016). Korelasyon ve regresyon, İstatistiğe giriş II TUBİTAK. Erişim adresi: https://esatis.tubitak.gov.tr/ekitap.htm Erişim tarihi: 18.10.2023
• Akyurt, İ. Z. (2015). Talep tahmininin yapay sinir ağlarıyla modellenmesi: yerli otomobil örneği. Ekonometri ve İstatistik Dergisi, (23), 147-157.
• Al-Hamadi, H., & Soliman, S. (2004). Short-Term electric load forecasting based on kalman filtering algorithm with moving window weather and load model. Electric Power Systems Research, 47-59. https://doi.org/10.1016/S0378-7796(03)00150-0
• Alpaydin, E. (2021). Machine learning. MIT Press.
• Anonim, (2014/a). Otomotiv Sektör Raporu (2013/1). T.C. Bilim Sanayi ve Teknoloji Bakanlığı, Sanayi Genel Müdürlüğü, Sektörel Raporlar ve Analizler Serisi. Erişim adresi: https://www.sanayi.gov.tr/plan-program-raporlar-ve-yayinlar/sektor-raporlari Erişim tarihi: 22.11.2023.
• Barr, A., & Feigenbaum, Edward, A. (1981). The Handbook of Artificial Intelligence. Volume 1, Heuristtech Press.
• Benkachcha.S, Benhra.j & El Hassani.H. (2015). Seasonal time series forecasting models based on artificial neural network. International Journal of Computer Applications (0975 – 8887), 116(20), 1-14.
• Bishop, C. M. (1995). Neural networks for pattern recognition. Oxford University Press.
• Bozdemir, M. (2019). Mekanik tasarım eğitimi için bir uzman sistem uygulaması. Uludağ University Journal of The Faculty of Engineering, 219-230. https://doi.org/10.17482/uumfd.411684
• Brown, S., Lamming, R., Bessant J., & Jones, P. (2005). Strategic Operations Management. Elsevier Butterworth-Heinemann.
• Brownlee, J. (2019). A gentle introduction to weight initialization in neural networks. Machine learning mastery. Retrieved from https://machinelearningmastery.com/weight-initialization-for-deep-learning-neural-networks/
• Canan, S. (2006). Yapay sinir ağları ile GPS destekli navigasyon sistemi (Doktora tezi). Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya.
• Değirmenci, N., & Pabuçcu, H. (2016). Borsa İstanbul ve risk primi arasındaki etkileşim: VAR ve NARX model. The Journal of Academic Social Science, 4(35), 248-261.
• Diaconescu, E. (2008). The use of NARX neural networks to predict chaotic time series. WSEAS Transactions on Computer Research, 3(3), 182-191.
• Elmas, Ç. (2018). Yapay zeka uygulamaları. Seçkin Yayıncılık.
• Efendigil, T. (2008). Müşteri odaklı sistemler için YSA ve bulanık çıkarım tabanlı karar destek sistemi yaklaşımı (Doktora tezi). Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
• Fırat, M., & Güngör, M. (2004). Askı madde konsantrasyonu ve miktarının yapay sinir ağları ile belirlenmesi. İMO Teknik Dergisi, 3267-3282.
• Forbes, (2019). 4 ways AI and associated technologies are changing the nature of work -- and the structure of business. Erişim adresi: https://l24.im/ya7ux Erişim tarihi: 12.12.2023
• Hamzaçebi, C. (2011). Yapay sinir ağları tahmin amaçlı kullanımı matlab ve neurosolutions uygulamalı. Ekin Basım Yayın Dağıtım.
• Hocaoğlu, F. O., Kaysal, K., & Kaysal, A. (2015). Yük tahmini için hibrit (YSA ve regresyon) model. Academic Platform Journal of Engineering and Science, 3(2), 33-39. https://doi.org/10.5505/apjes.2015.94695
• Hu, C. (2002). Advanced tourism demand forecasting ANN and box-jenkins modelling (Doctoral Dissertation). Purdue University, MI, USA.
• Huang, S., & Shih, K. (2003). Short-Term load forecasting via ARMA model ıdentification ıncluding non-gaussian process considerations. IEEE Transactions on Power Systems, 673-679. https://doi.org/10.1109/TPWRS.2003.811010
• Ian, G., Yoshua, B., & Aaron, C. (2016). Deep learning. MIT Press.
• İleri, H., & Horasan, A. (2010). Küresel rekabet ortamında işletmelerin teknoloji ve ar-ge yönetimlerinin rekabete etkileri üzerine araştırma ve örnek bir uygulama (Yüksek lisans tezi). Selçuk Üniversitesi, Sosyal Bilimler Enstitüsü, İşletme Anabilim Dalı, Konya.
• Jackson, P. (1998). Introduction to expert systems (3rd ed.). Addison Wesley.
• Jones, M. (2009). Machine learning applications in modern business. Tech Publications.
• Jurafsky, D., & Martin, J. H. (2020). Speech and language processing (3rd ed.). Pearson.
• Karaatlı, M., Demirci, E., & Baykaldı, A. (2020). Ticari kredi faiz oranlarının ysa NARX ve VAR modelleri ile öngörülmesi. İşletme Araştırmaları Dergisi, 12(3), 2327-2343. https://doi.org/10.20491/isarder.2020.979
• Kesici, B., & Yıldız, M. (2016). Kalite kontrol faaliyetlerinde yapay zekâ kullanımı ve bir otomotiv yan sanayisinde uygulanması. Yalova Sosyal Bilimler Dergisi, 307-323.
• Keskenler, M. F., & Keskenler, E. F. (2017). Geçmişten günümüze yapay sinir ağları ve tarihçesi. Takvim-I Vekayi, 5(2), 8-18.
• Lewis, C. D. (1982). Industrial and business forecasting methods. Butterworths Publishing.
• ODMD, (2023). Pazar-Otombil Hafif Ticari. Erişim adresi: https://www.odmd.org.tr/web_2837_1/neuralnetwork.aspx?type=35 Erişim tarihi: 5.11.2023 Mitchell, T. M. (1997). Machine learning. McGraw-Hill.
• Naser, S., & Alhabbash, M. (2016). Male infertility expert system diagnoses and treatment. American Journal of Innovative Research and Applied Sciences, 2(4), 181-192.
• Nwankpa, C., Ijomah, W., Gachagan, A., & Marshall, S. (2018). Activation functions: comparison of trends in practice and research for deep learning. arXiv preprint arXiv:1811.03378.
• Özdal, M. A. (2023). Görüntü içeriği sınıflandırmasında yapay zekânın rolü ve uygulamaları. Van İnsani ve Sosyal Bilimler Dergisi, 1(6), 37-61. https://doi.org/10.62068/visbid.1352901
• Öztemel, E. (2006). Yapay sinir ağları. Papatya Yayıncılık.
• Rajpal, P., Shishodia, K. S., & Sekhon, G. (2006). An artificial neural network for modeling reliability, availability and maintainability of a repairable system. Reliability Engineering and System Safety, 809-819. https://doi.org/10.1016/j.ress.2005.08.004
• Öztürk, K., & Şahin, M. E. (2018). Yapay sinir ağları ve yapay zekâ’ya genel bir bakış. Takvim-i Vekayi, 6(2), 25-36.
• Pirim, A. G. H. (2006). Yapay zekâ. Yaşar Üniversitesi E-Dergisi, 1(1), 81-93. https://doi.org/10.19168/jyu.72783
• Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533-536.
• Rende, E., Özdemir, A. S., & Yılmaz, R. (2016). Makine öğrenmesi ve uygulamaları. Türkiye Bilişim Vakfı.
• Sağıroglu, S., Besdok, E., & Erler, M. (2003). Muhendislikte yapay zeka uygulamaları-I. Ufuk Yayıncılık.
• Szeliski, R. (2010). Computer vision: Algorithms and applications. Springer.
• Söylemez, Y. (2020). Çok katmanlı yapay sinir ağları yöntemi ile altın fiyatlarının tahmini. Sosyoekonomi, 271-291. https://doi.org/10.17233/sosyoekonomi.2020.04.13
• Sanayi ve Teknoloji Bakanlığı, (2023). Erişim adresi: https://www.sanayi.gov.tr/plan-program-raporlar-ve-yayinlar/faaliyet-raporlari, Erişim tarihi: 1.11.2023
• TCMB, (2023). Türkiye Cumhuriyeti Merkez Bankası Elektronik Veri Dağıtım Sistemi. Erişim adresi: https://evds2.tcmb.gov.tr/index.php?/evds/serieMarket Erişim tarihi: 5.11.2023
• Thrun, S. (2002). Robotic mapping: A survey. G. Lakemeyer & B. Nebel (Eds.), In Exploring artificial intelligence in the new millennium (pp. 1-35). Morgan Kaufmann.
• TÜBİTAK, (2001). Bilim ve Teknik Dergisi, 38-43.
• Ulgen, K. E. (2024, Mart 14). Makine öğrenimi bölüm-6 (regresyon). Erişim adresi: https://medium.com/.
• Yıldırım, H., & Karaatlı, M. (2022). Yapay sinir ağları NARX modeli ile elma üretim miktarinin öngörülmesi. Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (42), 1-29.
• Yıldız, B., & Ustaoğlu, M. (2012). Optimal production model for evs manufacturing process in Turkey: a comparable case of EMQ/JIT production models for EVs’ battery production. Procedia-Social and Behavioral Sciences, 58, 1482-1490. https://doi.org/10.1016/j.sbspro.2012.09.1135
• Yılmaz, A. (2019). Yapay zeka. İstanbul: KODLAB Yayın Dağıtım.
• Yücesoy, M. (2011). Temizlik kağıtları sektöründe yapay sinir ağları ile talep tahmini (Doktora Tezi). İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü.
• Wagle, S. A., & Harikrishnan, R. (2021). A bibliometric analysis of plant disease classification with artificial ıntelligence based on Scopus and WOS. Library Philosophy and Practice, 1-27.
• Wang, W., & Xu, Z. (2004). A heuristic training for support vector regression, Neurocomputing, 61, 259-275. https://doi.org/10.1016/j.neucom.2003.11.012
• Wawrzyński, P. (2014). Fundamentals of artificial intelligence. Warsaw University of Technology Publishing House.
• Zhang, G., Patuwo, B., & Hu, M. (1998). Forecasting with artificial neural networks. The State of The Art. International Journal of Forecasting, 35-62. https://doi.org/10.1016/S0169-2070(97)00044-7