Weather Forecast with Artificial Neural Networks and Adaptive Neural Fuzzy Inference System

Abstract

Technological developments increase the use of artificial intelligence in many research areas. The success of artificial intelligence and machine learning-based tools in predictive function is attracting researchers to preferring these tools more widely. The weather forecasting is also one of the important above-mentioned research areas. In this study, a weather forecast was done based on the daily weather data of Izmir in a certain time. Artificial Neural Networks (ANN) and Adaptive Neural Fuzzy Inference System (ANFIS) models were used for prediction. In the study, the average temperature value, which is the only output, was estimated against a total of 9 inputs including maximum temperature, minimum temperature, dew point, amount of precipitation, sea-level pressure, visibility distance, wind speed, maximum wind speed and standard pressure values. The test performance of the two models was obtained in terms of the mean squared errors (HKO) and the square root of the mean squared errors (HKOK) and compared with each other. The obtained results showed that ANFIS has superior performance in weather forecasting function than ANN.

Keywords

• ANFIS
• Artificial neural networks
• Fuzzy logic
• weather forecast

Yapay Sinir Ağları ve Uyarlanabilir Sinirsel Bulanık Çıkarım Sistemi ile Hava Tahmini

Abstract

Teknolojideki gelişmeler Yapay zekanın birçok araştırma alanında kullanımını arttırmaktadır. Yapay zeka ve makine öğrenmesi tabanlı araçların tahmin işlevindeki başarısı, araştırmacıları, bu araçları daha yaygın bir biçimde kullanma konusunda cezbetmektedir. Hava tahmini de bahsi geçen araştırma alanlarından biridir. Bu çalışmada belirli bir zaman dilimindeki İzmir’e ait günlük hava verilerinden yola çıkılarak hava tahmini gerçekleştirilmiştir. Tahmin için hem Yapay Sinir Ağları (YSA) hem de Uyarlanabilir Sinirsel Bulanık Çıkarım Sistemi (ANFIS) modelleri kullanılmıştır. Çalışmada maksimum sıcaklık minimum sıcaklık, çiy noktası, yağış miktarı, deniz seviyesindeki başınç, görüş mesafesi, rüzgar hızı, maksimum rüzgar hızı, standart basınç değerlerini içeren toplam 9 girdiye karşılık tek çıktı olan ortalama sıcaklık değeri tahmin edilmiştir. İki modelin test performansı hata karelerinin ortalaması (HKO) ve hata karelerinin ortalamasının karekökü (HKOK) cinsinden elde edilmiş ve birbiriyle karşılaştırılmıştır. Elde edilen sonuçlar hava tahmini işlevinde ANFIS’inYSA’ya göre daha üstün performansa sahip olduğunu göstermiştir.

Keywords

• Yapay sinir ağları
• Bulanık mantık
• hava tahmini
• ANFIS

References

1. Berber, N., ve Boru, A. (2013). Adaptif ağ yapısına dayalı bulanık çıkarım sistemi ile hava tahmini. Endüstri Mühendisliği, Gaziantep Üniversitesi, Gaziantep.
2. Tokmak, A., Atalay, İ., and Yelgel, Ö. C. (2023). Forecasting Wind Power Generation Using Artificial Neural Network. International Journal of Pure and Applied Sciences, 9(1), 7-19.
3. Aygören, H., Saritaş, H., and Morali, T. (2012). İMKB 100 endeksinin yapay sinir ağları ve newton nümerik arama modelleri ile tahmini. Uluslararası Alanya İşletme Fakültesi Dergisi, 4(1), 73-88.
4. Hulya, H., Karakurt, M., Cengiz, H., ve Karcı, A. (2023). GloVe Kelime Gömmeleri ve Sinir Ağları ile Haber Metinlerinin Sınıflandırılması. International Journal of Pure and Applied Sciences, 9(1), 175-187.
5. Calp, M. H. (2019). İşletmeler için personel yemek talep miktarının yapay sinir ağları kullanılarak tahmin edilmesi. Politeknik dergisi, 22(3), 675-686.
6. Çınaroğlu, E., ve Tunahan, A. (2020). THY hisse senedi değerinin yapay sinir ağları ile tahmini. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 34(1), 1-19.
7. Yüksel, R., ve Akkoç, S. (2016). Altın fiyatlarının yapay sinir ağları ile tahmini ve bir uygulama. Doğuş Üniversitesi Dergisi, 17(1), 39-50.
8. Jang, J.-S. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems, man, and cybernetics, 23(3), 665-685.

9. Bayramoğlu, T., Pabuçcu, H., ve Boz, F. Ç. (2017). Türkiye için anfis modeli ile birincil enerji talep tahmini. Ege Akademik Bakis, 17(3), 431-445.
10. Dalkırab, F. Y., ve Yıldırım, F. R. (2021). Uçağın trim parametresinin ANFIS kullanılarak tahmin edilmesi. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 10(1), 54-62.
11. Demirci, E. K. (2020). Anfis İle Doğalgaz Talep Tahmini; Türkiye Örneği. Uluslararası Sosyal Bilimler Akademi Dergisi(3), 495-511.
12. Yeşim, O., Mehmet, A., ve Akçayol, M. A. (2011). Yalın sinirsel bulanık bir model ile imkb 100 endeksi tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 26(4).
13. Öğüt, V. (2014). Rüzgar Hızının Sinirsel Bulanık Yöntemle Tahmini İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İnşaat Mühendisliği ABD, Yüksek Lisans Tezi, 117.
14. Yılmaz, A. (2015). Sinirsel bulanık mantık modeliyle kanser risk analizi Sakarya Üniversitesi (Turkey).
15. Gümüş, V., Şimşek, O., Soydan, N. G., Aköz, M. S., ve Yenigün, K. (2016). Adana istasyonunda buharlaşmanın farklı yapay zeka yöntemleri ile tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 7(2), 309-318.
16. Sel, A., ve Tekgün, B. (2022). ANFIS Yöntemi İle Türkiye Karbondioksit Salınımı Tahmini. Süleyman Demirel Üniversitesi Vizyoner Dergisi, 13(34), 486-504.
17. Saltan, M., ve Alaefary, F. (2018). Adaptif ağ yapısına dayalı bulanık çıkarım sistemi (anfıs) yönteminin esnek yol üstyapılarının yapısal analizinde kullanılabilirliği. SDU Journal of Engineering Sciences & Design, 6(3).
18. Gülbandılar, E., Koçak, B., Özdemir, İ., ve Koçak, Y. (2023). Portland Çimentosu Priz Sürelerine Pirinç Kabuğu Külü Etkisinin ANFIS ile Tahmini. Eskişehir Türk Dünyası Uygulama ve Araştırma Merkezi Bilişim Dergisi, 4(2), 34-42.
19. Nazan, C., ve Şahin, A. Ş. (2021). Yapay sinir ağları metodu ile günlük çiğ noktası sıcaklığı tahmini. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 11(4), 1154-1163.
20. Timur, İ. (2022) Hava ve Deniz Şartları Dikkate Alınarak Gemi Sefer Performansının Model-lenmesi: Ege Denizi örneği. International Journal of Advances in Engineering and Pure Sciences, 34(2), 235-241.
21. http://funapp.cs.bilkent.edu.tr/DataSets/.
22. Akmaz, D. (2022). Çok Katmanlı Algılayıcı Algoritması, Korelasyon Tabanlı Özellik Seçme Yöntemi ve Eğri Uydurma Tekniği ile Türkiye’ de Toplam Elektrik Tüketiminin Tahmin Edilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 34(2), 677-686. https://doi.org/10.35234/fumbd.1118732.
23. Kaynar, O., ve Taştan, S. (2009). Zaman Serisi analizinde ÇKA Yapay Sinir Ağları Ve Arıma Modelinin Karşılaştırılması, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi(33), 161-172.
24. İzci, D. (2021). Geliştirilmiş Atom Arama Optimizasyon Algoritması ile Çok Katmanlı Algılayıcı Eğitimi. EMO Bilimsel Dergi, 11(21), 71-79.
25. Asilkan, Ö., ve Irnaj, A. G. S. (2009). İkinci el otomobillerin gelecekteki fiyatlarının yapay sinir ağları ile tahmin edilmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(2), 375-391.
26. Takagi, T., and Sugeno, M. (1985). Fuzzy identification of systems and its applications to modeling and control. IEEE transactions on systems, man, and cybernetics(1), 116-132.
27. AlRassas, A. M., Al-qaness, M. A., Ewees, A. A., Ren, S., Abd Elaziz, M., Damaševičius, R., and Krilavičius, T. (2021). Optimized ANFIS model using Aquila Optimizer for oil production fore-casting. Processes, 9(7), 1194.
28. Demuth, H., and Beale, M. Anfis and the ANFIS Editor GUI. Fuzzy logic toolbox for use with MATLAB, User’s Guide Version, 4(2), 104-130.
29. Yavuz, S., ve Deveci, M. (2012). İstatiksel normalizasyon tekniklerinin yapay sinir ağın per-formansına etkisi. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, (40), 167-187.