Time Series Modeling With Artificial Neural Networks: Beeswax Production Quantity Estimation

Öz

This study aims to analyse time series data on beeswax production quantities in Bingöl province between 1980 and 2024, revealing the structural dynamics of the series and forecasting possible future trends. To this end, an Artificial Neural Network (ANN)-based forecasting model with high capacity for modelling non-linear structures was employed. The analysed time series was observed to show a marked upward trend, particularly from 2000 onwards, and to exhibit high volatility during this period. The model was structured as a Backpropagation Neural Network with a 3-6-1 architecture, comprising three input neurons corresponding to a three-period lag, six hidden neurons, and one output neuron, and was trained on a total of 42 observations. The Mean Absolute Error (MAE) value calculated as a result of the model's performance evaluation was determined to be 4.1367. The error margin obtained indicates that the model tends to partially suppress short-term fluctuations, which is also supported by the Residual Plot. In particular, it was determined that the model did not fully capture the sudden production peaks around 2000 and 2020. The future forecast obtained by the model indicates a trend towards stabilisation in the dynamics of the time series. Forecasts for the period between 2025 and 2030 indicate that wax production levels will remain stable in the range of 43.9–44.3 tonnes. This finding suggests that the model either assumes that the current high volatility structure will stabilise over time or that it does not sufficiently reflect this level of volatility in the forecasting process. While the study demonstrates that Artificial Neural Networks (ANNs) can successfully capture general trends in highly volatile time series, it also highlights that they present significant challenges in modelling sudden and sharp changes, and therefore emphasises that the resulting forecasts should be interpreted with caution.

Anahtar Kelimeler

• Artificial neural networks
• forecasting
• wax
• production quantity

Yapay Sinir Ağları İle Zaman Serisi Modeli: Balmumu Üretim Miktarı Tahmini

Öz

Bu çalışma, Bingöl ilinde 1980–2024 yılları arasında gerçekleşen balmumu üretim miktarlarına ilişkin zaman serisi verilerini analiz ederek, serinin yapısal dinamiklerini ortaya koymayı ve gelecekteki olası eğilimleri öngörmeyi amaçlamaktadır. Bu doğrultuda, doğrusal olmayan yapıları modelleme kapasitesi yüksek olan Yapay Sinir Ağı (YSA) temelli bir tahmin modeli kullanılmıştır. Analiz edilen zaman serisinin, özellikle 2000 yılından itibaren belirgin bir artış eğilimi gösterdiği ve bu dönemde yüksek düzeyde oynaklık (volatility) sergilediği gözlemlenmiştir. Model, 3 giriş nöronuna karşılık gelen üç dönemlik gecikmeyi, 6 gizli nöronu ve 1 çıkış nöronunu içeren 3-6-1 mimarisine sahip bir Geri Yayılım Sinir Ağı (Backpropagation Neural Network) olarak yapılandırılmış ve toplam 42 gözlem üzerinden eğitilmiştir. Modelin performans değerlendirmesi sonucunda hesaplanan, Ortalama Mutlak Hata (MAE) değeri 4,1367 olarak tespit edilmiştir. Elde edilen hata payı, modelin kısa vadeli dalgalanmaları kısmen bastırma eğiliminde olduğunu göstermekte olup, bu durum Rezidüel Grafiği ile de desteklenmektedir. Özellikle, 2000 ve 2020 yılları civarındaki ani üretim zirvelerinin model tarafından tam olarak yakalanamadığı belirlenmiştir. Model tarafından elde edilen gelecek tahmini (forecast), zaman serisinin dinamiklerinde stabilizasyona yönelen bir eğilim olduğunu göstermektedir. 2025 ile 2030 yılları arasına ilişkin tahminler, balmumu üretim düzeylerinin 43,9–44,3 ton aralığında sabit bir seyir izleyeceğini göstermektedir. Bu bulgu, modelin mevcut yüksek volatilite yapısının zaman içinde stabilizasyona uğrayacağını varsaydığını veya bu oynaklık düzeyini tahmin sürecine yeterince yansıtmadığını düşündürmektedir. Çalışma, yüksek oynaklık içeren zaman serilerinde Yapay Sinir Ağlarının (YSA) genel eğilimleri başarılı bir şekilde yakalayabildiğini ortaya koymakla birlikte, ani ve keskin değişimlerin modellenmesinde önemli zorluklar barındırdığını ve bu nedenle elde edilen tahminlerin temkinli bir biçimde yorumlanması gerektiğini vurgulamaktadır.

Anahtar Kelimeler

• Yapay sinir ağları
• öngörü
• balmumu
• üretim miktarı

Kaynakça

1. 1. Mutlu C, Erbaş M, Tontul SA. Bal ve diğer arı ürünlerinin bazı özellikleri ve insan sağlığı üzerine etkileri. Akademik Gıda. 2017;15(1):75-83.
2. 2. Niyaz ÖC, Demirbaş N. Arı ürünleri tüketicilerinin genel özellikleri ve tüketim tercihleri: Çanakkale ili örneği. Tarım Ekonomisi Dergisi. 2017;23(2):255-62.
3. 3. Fratini F, Cilia G, Turchi B, Felicioli A. Beeswax: A minireview of its antimicrobial activity and its application in medicine. Asian Pac J Trop Med. 2016;9(9):839-43.
4. 4. Aman D, Jung C. Chemical Composition and Physicochemical Properties of Beeswaxes of Apis mellifera and Apis cerana. Journal of Apiculture. 2023;38(4):367-77.
5. 5. Gupta G, Anjali K. Environmentally Friendly Beeswax: Properties, Composition, Adulteration, and its Therapeutic Benefits. IOP Conference Series: Earth and Environmental Science. 2023;1110(1).
6. 6. Karlıdağ S, Keskin M. Arı ürünlerine genel bir bakış. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi. 2020;3(1):58-63.
7. 7. Shegaw T, Edimew T. Assessment on Production, Processing and Marketing Status of Beeswax in Kafa Zone, Southern Nations Nationalities and Peoples Region (SNNPR), Ethiopia. American Journal of Agriculture and Forestry. 2021;9(4):172-82.
8. 8. Yadeta GL. Beeswax production and marketing in Ethiopia: challenges in value chain. Agriculture, Forestry and Fisheries. 2014;3(6):447-51.

9. 9. Phiri BJ, Fevre D, Hidano A. Uptrend in global managed honey bee colonies and production based on a six-decade viewpoint, 1961-2017. Sci Rep. 2022;12(1):21298.
10. 10. Juma SM, Ali AI, Khamis SA, Rashid RJ, Kombo MD. Assessment of Value Chain for Honey and Beeswax Initiatives in Zanzibar. European Journal of Agriculture and Food Sciences. 2022;4(1):1-9.
11. 11. TEPGE. Arıcılık Ürün Raporu, T.C. Tarım ve Orman BakanlığıTarım Reformu Genel MüdürlüğüTarımsal Ekonomi ve Politika Geliştirme Enstitüsü 2025 [Available from: https://arastirma.tarimorman.gov.tr/tepge/Belgeler/PDF%20%C3%9Cr%C3%BCn%20Raporl ar%C4%B1/2025%20%C3%9Cr%C3%BCn%20Raporu/Ar%C4%B1c%C4%B1l%C4%B1k %20%C3%9Cr%C3%BCn%20Raporu%202024-409%20TEPGE.pdf.
12. 12. FAO. FAOSTAT statistical database. https://www.fao.org/faostat (Erişim Tarihi: 01.10.2025). 2025.
13. 13. Altunel T, Olmez B. Beekeeping as a rural development alternative in Turkish northwest. Applied Ecology & Environmental Research. 2019;17(3).
14. 14. Kılıç Ö, Özdemir FA, Yıldırımlı Ş. Some Aromatic and Medicinal Plants from Bingöl (Turkey). International Journal of Secondary Metabolite. 2017:244-8.
15. 15. TÜİK. Türkiye İstatistik Kurumu. Hayvansal üretim. Doğal bal (ton). https://biruni.tuik.gov.tr/medas/?kn=101&locale=tr 2025
16. 16. Fathony RZA, Wibowo, S. H., Kurniawan, W., Hasan, M. F., Sholihah, A. M., Rismawaty, & Amelia, L. Zaitun Time Series (Version 0.2.1) [Software]. Zaitun Software. Release: May 22, 2012; Latest update: August 30, 2015. https://www.zaitunsoftware.com. 2012.
17. 17. R Core Team. R: A Language and Environment for Statistical Computing (Version 4.4) [Computer Software]. https://cran.r-project.org. 2024
18. 18. Eğrioğlu E, Yolcu U, Baş E. YAPAY SİNİR AĞLARI-Öngörü ve Tahmin Uygulamaları: Nobel Akademik Yayıncılık; 2019.
19. 19. Kara MA. Fındık Fiyatlarının yapay sinir ağları ile tahminlenmesi: Türkiye örneği. Batman Üniversitesi Yaşam Bilimleri Dergisi. 2024;14(1):31-42.
20. 20. Rumelhart DE, Hinton GE, Williams RJ. Learning representations by back-propagating errors. nature. 1986;323(6088):533-6.
21. 21. Haykin S. Neural networks: A comprehensive foundation (2nd ed.). Prentice Hall. 1999.
22. 22.Abbasi B. A neural network applied to estimate process capability of non-normal processes. Expert Systems with Applications. 2009;36(2):3093-100.
23. 23. Öztemel E. Yapay sinir ağları: Papatya Yayıncılık, İstanbul; 2012.
24. 24.Alp S, Öz E. Makine öğrenmesinde sınıflandırma yöntemleri ve R uygulamaları. Nobel Akademik Yayıncılık, Ankara. 2019.
25. 25.Singh KP, Basant A, Malik A, Jain G. Artificial neural network modeling of the river water quality—a case study. Ecological modelling. 2009;220(6):888-95.
26. 26.Ağbulut Ü, Gürel AE, Biçen Y. Prediction of daily global solar radiation using different machine learning algorithms: Evaluation and comparison. Renewable and Sustainable Energy Reviews. 2021;135:110114.
27. 27.Siami-Namini S, Tavakoli N, Namin AS, editors. A comparison of ARIMA and LSTM in forecasting time series. 2018 17th IEEE international conference on machine learning and applications (ICMLA); 2018: Ieee.
28. 28.Zhang GP. Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing. 2003;50:159-75.
29. 29.Khashei M, Bijari M. An artificial neural network (p,d,q) model for timeseries forecasting. Expert Systems with Applications. 2010;37(1):479-89.
30. 30. Pai P-F, Lin C-S. A hybrid ARIMA and support vector machines model in stock price forecasting. Omega. 2005;33(6):497-505.
31. 31.Khashei M, Bijari M. A novel hybridization of artificial neural networks and ARIMA models for time series forecasting. Applied Soft Computing. 2011;11(2):2664-75. 32.Kaastra I, Boyd M. Designing a neural network for forecasting financial and economic time series. Neurocomputing. 1996;10(3):215-36.
32. 33.Kan C. Bingöl İli’nde arıcılık faaliyetleri. Türk Coğrafya Dergisi. 2013(60):1-12.
33. 34.Söğüt B, Şeviş HE, Karakaya E, İnci H, Yılmaz HŞ. Bingöl İlinde arıcılık faaliyetinin mevcut yapısı üzerine bir araştırma. Türk Tarım ve Doğa Bilimleri Dergisi. 2019;6(2):168-77.
34. 35. Süzerer V, Şevik F, Gün R, Şahin E, Yavuz S, Işik S, et al. Regional Development Oriented Mission Differentiation and Specialization: The Case of Bingöl University. BinBee Arı ve Doğal Ürünler Dergisi. 2023;3(2):17-28.
35. 36.Hepburn HR. Honeybees and wax: an experimental natural history: Springer Science & Business Media; 2012.
36. 37.Hyndman RJ, Athanasopoulos G. Forecasting: principles and practice: OTexts; 2018.