ARIMA modeli kullanılarak Türkiye’deki iklim sıcaklıklarının geleceğe yönelik tahminlenmesi

Abstract

Son yıllarda küresel ısınma tüm dünyanın en önemli sorunlarından birisi olmuştur. Hemen hemen tüm ülkeler küresel ısınma ile ilgili birçok tedbir almaya çalışmaktadırlar. Çalışmada açık erişimli internet sitesinden (Kaggle) alınan 1777 Şubat ile 2013 Eylül ayları arasında toplam 2840 aya ait ortalama aylık sıcaklık verileri kullanılmıştır. Kullanılan veri setinin varyans ve ortalama değere ait grafiklerin birbirine benzerlik göstermesinden dolayı verinin durağan bir yapıya sahip olduğu belirlenerek ARIMA modelinin kullanılması uygun bulunmuştur. ARIMA modelinin parametreleri ızgara arama ve Akaike bilgi ölçütü kullanılarak optimize edilmiştir. Optimize edilen parametreler kullanılarak ARIMA modeli üzerinde eğitim gerçekleştirilmiştir. Elde edilen ARIMA modeli statik ve dinamik olmak üzere iki tahmin yöntemi kullanılmıştır. ARIMA modelinin Determinasyon katsayısı (R2) performans değerlendirme ölçütüne göre dinamik değerlendirmede %96,68 ve statik değerlendirme de ise %97,19 doğruluk oranı elde edilmiştir.

Keywords

• ARIMA
• zaman serileri
• iklim sıcaklık değişimi
• yapay zekâ

Estimation of future climate temperature in Turkey using the ARIMA model

Abstract

In recent years, global climate temperature change has been one of the most important problems of the world. Almost all countries are trying to take many prevent regarding global climate temperature change. In this study, monthly temperature data between February 1777 and September 2013 years are taken from the open-access website (Kaggle). The ARIMA model data set has been examined for its stability. Parameters of the ARIMA model are optimized by using grid search and Akaike information criterion. The training was carried out on the ARIMA model using the optimized parameters. The obtained ARIMA model has two prediction methods, static and dynamic. According to Coefficent of Determination (R2) performance evaluation criterion of the ARIMA model, 96,68% accuracy in the dynamic evaluation, and 97,19% accuracy in the static evaluation were obtained.

Keywords

• ARIMA
• Time series
• Climate temperature change

References

1. [1] Seidl R, Thom D, Kautz M, Martin-Benito D, Peltoniemi M, Vacchiano G, ve Lexer, M J. Forest Disturbances Under Climate Change, Nature Climate Change, 7(6), 395-402, 2017.
2. [2] Pittock A B. Climate Change: Turning Up The Heat. 1st Ed. Routledge, London, UK, 2107.
3. [3] Jansson J. K, ve Hofmockel K. S. Soil Microbiomes And Climate Change. Nature Reviews Microbiology, 18, 35–46, 2020.
4. [4] Broto V. C. Urban Governance And The Politics Of Climate Change. World development, 93, 1-15, 2017.
5. [5] Edenhofer O. Climate Change 2014: Mitigation Of Climate Change. 1st Ed. Cambridge University Press, Cambridge, UK, 2015.
6. [6] Balbi S, Giupponi C. Agent-Based Modelling of Socio-Ecosystems: A Methodology For The Analysis of Adaptation To Climate Change. International Journal of Agent Technologies and Systems (IJATS), 2(4), 17-38, 2010.
7. [7] Huntingford C, Jeffers E. S, Bonsall M. B, Christensen H. M, Lees T, Yang H. Machine Learning And Artificial Intelligence To Aid Climate Change Research And Preparedness. Environmental Research Letters, 14(12), 124007, 2019.
8. [8] El Naqa I, Haider MA, Giger ML, Ten Haken RK. Artificial Intelligence: Reshaping The Practice Of Radiological Sciences In The 21st Century. The British Journal of Radiology,93(1106), 1-15.2020

9. [9] Russell SJ, Norvig P. Artificial Intelligence: A Modern Approach. 3rd Ed. Pearson Education Inc, New Jersey, USA, 2016.
10. [10] Lu H, Li Y, Chen M, Kim H, Serikawa S. Brain Intelligence: Go Beyond Artificial Intelligence. Mobile Networks and Applications,23(2),368-375, 2018.
11. [11] Jaakkola H, Henno J, Mäkelä J, Thalheim B. Artificial Intelligence Yesterday, Today And Tomorrow. 42nd International Convention on Information and Communication Technology, Electronics and Microelectronics, MIPRO. Opatija, Croatia, 20-24 may 2019.
12. [12] Weigend, A S. Time series Prediction: Forecasting The Future And Understanding The Past. 1st Ed. Routledge, London, UK, 2018.
13. [13] Gao Z. K, Small M, Kurths J. Complex Network Analysis Of Time Series. EPL (Europhysics Letters), 116(5), 50001, 2017.
14. [14] Kaggle (2020), https://www.kaggle.com/berkeleyearth/climate-change-earth-surface-temperature-data (Erişim tarihi: 25.06.2020).
15. [15] Solak A O. Türkiye'nin Toplam Petrol Talebi ve Ulaştırma Sektörü Petrol Talebinin Arıma Modeli ile Tahmin Edilmesi. Suleyman Demirel University Journal of Faculty of Economics & Administrative Sciences, 18(3),2013.
16. [16] Kaynar O, Taştan S. Zaman Serisianalizinde Mlp Yapay Sinir Ağları Ve Arıma Modelinin Karşılaştırılması. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, (33), 161-172,2009.
17. [17] Tortum A, Gözcü O, Çodur M Y. Türkiye’de Hava Ulaşım Talebinin Arıma Modelleri ile Tahmin Edilmesi. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 4(2), 39-54,2013.
18. [18] Yaman K, Sarucan A, Mehmet A. T. A. K, Aktürk N. Dinamik Çizelgeleme İçin Görüntü İşleme Ve Arıma Modelleri Yardımıyla Veri Hazırlama. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 16(1),2001.
19. [19] Bal E T, Çalışır V. Konteyner Elleçleme İçin Ekonometrik Tahminleme: Arma Modeli Uygulaması. OPUS Uluslararası Toplum Araştırmaları Dergisi, 9(16), 2067-2096,2018.
20. [20] Ataseven B. Yapay Sinir Ağları ile Öngörü Modellemesi. Marmara Üniversitesi dergisi, 101-115,2013.
21. [21] Baran T, Bacanlı Ü G. Uygun Stokastik Model Seçim Ölçütlerinin Değerlendirilmesi. Teknik Dergi, 17(84), 3987-4002,2006.
22. [22] Mohammed A A, Naugler C, Far B H. Emerging Business Intelligence Framework For a Clinical Laboratory Through Big Data Analytics. Emerging Trends In Computational Biology, Bioinformatics, And Systems Biology: Algorithms And Software Tools. 1st Ed. Elsevier/Morgan Kaufmann, New York, USA, 577-602, 2006.
23. [23] Gazeloğlu C. Yapısal Eşitlik Modellemesinde Sıralı Kategorik Verilerin Ağırlıklandırılmış ve Ağırlıklandırılmamış Parametre Tahmin Yöntemleri ve Bilgi Kriterlerinin Örneklem Hacimlerine Göre Karşılaştırılması. Doktora Tezi, Anadolu Üniversitesi, Eskişehir, Türkiye, 2016.
24. [24] Bergstra J, Bengio Y. Random Search For Hyper-Parameter Optimization. The Journal of Machine Learning Research, 13(1), 281-305, 2012.
25. [25] Syarif I, Prugel-Bennett A, Wills G. SVM Parameter Optimization Using Grid Search And Genetic Algorithm To Improve Classification Performance. Telkomnika, 14(4), 1502, 2016.
26. [26] Dufour J M, Neves J. Finite-Sample Inference And Nonstandard Asymptotics With Monte Carlo Tests And R. Editors: Hrishikesh D. Vinod, C R Rao. In Handbook of Statistics , Elsiver 41, 3-31,2019.
27. [27] Yaacob A H, Tan I K, Chien S F, Tan H K. ARIMA Based Network Anomaly Detection. In 2010 Second International Conference on Communication Software and Networks, Singapore, Singapore, 205-209, 26-28 Feb. 2010.
28. [28] Flores C. Forecasting the UK Unemployment Rate: Model Comparisons. International Journal of Applied Econometrics and Quantitative Studies, 2(4), 57-72, 2005.
29. [29] Valipour M, Banihabib M E, Behbahani S M R. Comparison Of The ARMA, ARIMA, And The Autoregressive Artificial Neural Network Models In Forecasting The Monthly Inflow Of Dez Dam Reservoir. Journal of hydrology, 476, 433-441, 2013.
30. [30] Paulin M G. A Method For Constructing Data-Based Models Of Spiking Neurons Using A Dynamic Linear-Static Nonlinear Cascade. Biological Cybernetics, 69(1), 67-76, 1993.
31. [31] Tüzemen A, Yıldız Ç. Holt-Wınters Tahminleme Yöntemlerinin Karşılaştırmalı Analizi: Türkiye İşsizlik Oranları Uygulaması. Ataturk University Journal of Economics & Administrative Sciences, 32(1), 2018.
32. [32] Zhang D. A Coefficient Of Determination For Generalized Linear Models. The American Statistician, 71(4), 310-316, 2017.