TÜRKİYE’YE YÖNELİK DIŞ TURİZM TALEBİNİN MLP, RBF VE TDNN YAPAY SİNİR AĞI MİMARİLERİ İLE MODELLENMESİ VE TAHMİNİ: KARŞILAŞTIRMALI BİR ANALİZ

Öz

Tourism demand forecasting plays important role in public and private sector officials’ future planning activities. The aim of this study is modeling inbound tourism demand to Turkey by Feed Forward-Back Propagation (MLP), Radial Basis Function (RBF) and Time Delay (TDNN) artificial neural network architectures and forecasting monthly tourism demand for 2013 via the model providing the highest accuracy.In this study, it is used the total number of foreign tourist arrivals as a measure of inbound tourism demand and monthly foreign tourist arrivals to Turkey in the period of January 1987 – December 2012 were utilized. In the process of modeling the data by ANN’s, it is analyzed the forecasting performance of different network architectures constituted by both unpreprocessed raw data and seasonally adjusted data taking into account of the distinct viewpoints in related studies. As a consequence of several attempts, it has been observed that 12 lagged MLP model which has [4-5-1-] architechture has presented best forecasting performance. By this model it has been produced monthly inbound tourism demand forecasts to Turkey for year 2013.

Anahtar Kelimeler

• MLP, RBF, TDNN, Artificial Neural Networks, Tourism Demand Forecasting

TÜRKİYE’YE YÖNELİK DIŞ TURİZM TALEBİNİN MLP, RBF VE TDNN YAPAY SİNİR AĞI MİMARİLERİ İLE MODELLENMESİ VE TAHMİNİ: KARŞILAŞTIRMALI BİR ANALİZ

Öz

Turizm talebi tahminleri, kamu ve özel sektör temsilcilerinin ileriye yönelik planlama çalışmalarında önemli rol oynamaktadır. Bu çalışmanın amacı; Türkiye’ye yönelik aylık dış turizm talebinin, Çok Katmanlı İleri Beslemeli (MLP), Radyal Tabanlı Fonksiyon (RBF) ve Zaman Gecikmeli (TDNN) yapay sinir ağı mimarileri ile modellenmesi ve en yüksek tahmin performansı sağlayan model yardımıyla 2013 yılı tahminlerinin üretilmesidir. Çalışmada Türkiye’ye yönelik dış turizm talebinin ölçüsü olarak gelen toplam yabancı turist sayıları alınmış, Ocak 1987 – Aralık 2012 dönemine ait Türkiye’ye gelen aylık yabancı turist sayısı verilerinden yararlanılmıştır. Verilerin yapay sinir ağları ile modellenmesinde, literatürdeki farklı görüşler dikkate alınarak orijinal seri ve mevsimsel ayrıştırma yöntemi ile elde edilen mevsimsel etkilerden arındırılmış seri olmak üzere iki ayrı veri seti kullanılarak oluşturulan farklı yapay sinir ağı mimarilerinin tahmin performansları incelenmiştir. Yapılan çok sayıda deneme sonucunda on iki gecikmeli veri değerleri kullanılarak geliştirilen [4-5-1] mimarisine Yrd. Doç. Dr. Süleyman Demirel Üniversitesi, Eğirdir MYO Türizm ve Otelcilik Bölümü, [e-mail]. sahip MLP modelinin en yüksek doğruluğu sağladığı görülmüş, bu model yardımıyla 2013 yılı için Türkiye’ye yönelik aylık dış turizm talebi tahminleri üretilmiştir.

Anahtar Kelimeler

• MLP, RBF, TDNN, Yapay Sinir Ağları, Turizm Talebi Tahmini

Kaynakça

1. Abdul Hamid, N, Nawi, N.M, Ghazali, R. ve Mohd S.N.M. (2011). Accelerating Learning Performance of Back Propagation Algorithm by Using Adaptive Gain Together with Adaptive Momentum and Adaptive Learning Rate on Classification Problems. International Journal of Software Engineering and Its Applications,. 5 (4): 31-44. Aladağ, Ç.H. (2010) “Farklı Öğrenme Aalgoritmalarıyla Türkiye’ye Gelen Yabancı Turist Sayısının Tahmini” I. Disiplinlerarası Turizm Araştırmaları Kongresi, 27-30 Mayıs 2010, Nevşehir. Alon, I., Qi, M. ve Sadowski, R.J. (2001): Forecasting Aggregate Retail Sales: A Comparison Of Artificial Neural Networks and Traditional Methods. Journal of Retailing and Consumer Services 8 (3): 147–156. Baldemir, E. ve Bahar, O. (2003). Türkiye’ye Yönelik Turizm Talebinin Neural (Sinir) Ağları Modelini Kullanarak Analizi. Gazi Üniversitesi Ticaret ve Turizm Eğitim Fakültesi Dergisi, (2): 152-169. Burger, C.J.S.C., Dohnal, M., Kathrada, M. ve Law, R. (2001). A Practitioners Guide to Time-Series Methods For Tourism Demand Forecasting - A Case Study Of Durban, South Africa. Tourism Management, 22 (4): 403-409. Cho, V. (2003). A Comparison of Three Different Approaches To Tourist Arrival Forecasting. Tourism Management, 24(3): 323-330. Çuhadar, M. ve Kayacan, C. (2005). Yapay Sinir Ağları Kullanılarak Konaklama İşletmelerinde Doluluk Oranı Tahmini: Türkiye'deki Konaklama İşletmeleri Üzerine Bir Deneme. Anatolia Turizm Araştırmaları Dergisi, 16 (1): 121-126. Efe, Ö. ve Kaynak, O. (2000). Yapay Sinir Ağları ve Uygulamaları. İstanbul: Boğaziçi Üniversitesi Yayınevi. Önder, E. ve Hasgül, Ö. (2009). Yabancı Ziyaretçi Sayısının Tahmininde Box Jenkins Modeli, Wınters Yöntemi ve Yapay Sinir Ağlarıyla Zaman Serisi Analizi. İstanbul Üniversitesi İşletme İktisadi Enstitüsü Yönetim Dergisi, 20 (62): 62-83. Elmas, Ç. (2010). Yapay Zekâ Uygulamaları (Yapay Sinir Ağı, Bulanık Mantık, Genetik Algoritma). Ankara: Seçkin Yayıncılık. Fernandes, P. ve Teıxeıra, J. (2008). “Applying The Artificial Neural Network Methodology For Forecasting The Tourism Time Series”, 5th International Scientific Conference Business and Management”, 16-17 May 2008, Vilnius, Lithuania. Franses, P.H. ve Draisma, G. (1997). Recognizing Changing Seasonal Patterns Using Artificial Neural Networks. Journal of Econometrics, (82): 273-280
2. Güngör, İ. ve Çuhadar, M. (2005). Antalya İline Yönelik Alman Turist Talebinin Yapay Sinir Ağları Yöntemiyle Tahmini. Gazi Üniversitesi Ticaret ve Turizm Eğitim Fakültesi Dergisi, 2005 (1): 84-99. Hamzaçebi, C. (2008). Improving Artificial Neural Networks’ Performance in Seasonal Time Series Forecasting. Information Sciences, 178(23): 4550-4559. Hamzaçebi, C. (2011). Yapay Sinir Ağları: Tahmin Amaçlı Kullanımı. Matlab ve Neuroslutions Uygulamalı. Bursa: Ekin Yayınevi. İçöz, O. (1993). Turizm Sektöründe Plan ve Planlamanın Önemi, Turizm Yıllığı 1993, Ankara: Türkiye Kalkınma Bankası Yayını. Kaynar, O., Taştan, S. ve Demirkoparan, F. (2010). Ham Petrol Fiyatlarının Yapay Sinir Ağları İle Tahmini, Ege Akademik Bakış, 10 (2): 559-573. Keleşoğlu, Ö ve Ekinci, C. (2008). Silis Dumanı Katkılı Betonların Çarpma Dayanımının Yapay Sinir Ağı İle Belirlenmesi. e-Journal of New World Sciences Academy (Natural And Applied Sciences), 3 (1): 30-38. Kon, C. S. ve Turner, L. W. (2005). Neural Network Forecasting of Tourism Demand. Tourism Economics, 11 (3): 301-328. Kubat, C. ve Kiraz, A. (2012). Yapay Zeka Kullanılarak Sanal Laboratuar Tasarımında Çekme Testinin Modellenmesi, Gazi Üniv. Müh. Mim. Fak. Dergisi, 27(1): 2052 Kültür ve Turizm Bakanlığı (2013). Giriş-Çıkış Yapan Yabancı ve Vatandaşlar Bülteni, Sayı: 12, Aralık, 2012, (23.01.2013). Law, R. (2000). Back-Propagation Learning in Improving The Accuracy Of Neural Network-Based Tourism Demand Forecasting. Tourism Management, 21 (4): 331-340. Lewis, C. D. (1982). Industrial and Business Forecasting Methods: A Practical Guide to Exponential Smoothing and Curve Fitting. London: Butterworth Scientific. Martin, C.A. ve Witt, S.F. (1989). Forecasting Tourism Demand: A Comparison Of The Accuracy Of Several Quantitative Methods. International Journal of Forecasting, 5(1): 7- Nelson, M., Hill, T., Remus, T. ve O’connor, M. (1999). Time Series Forecasting using NN’s: Should Data be Deseasonalized First. Journal of Forecasting, (18): 359-367. Okkan, U. ve Dalkılıç, H.Y. (2012). Radyal Tabanlı Yapay Sinir Ağları ile Kemer Barajı Aylık Akımlarının Modellenmesi, 23(2): 5957-5966 Oskay, C. (2012). Mersin Turizminin Türkiye Ekonomisindeki Yeri ve Önemi. Çukurova Üniversitesi, Sosyal Bilimler Enstitüsü Dergisi, 21(2): 185-202.
3. Öztemel, E. (2012). Yapay Sinir Ağları. İstanbul: Papatya Yayıncılık Eğitim.
4. Palmer, A., Montaño J.J. ve Sesé, A. (2005). Designing An Artificial Neural Network For Forecasting Tourism Time Series. Tourism Management, 26 (1): 1-10. Pattie, D.C. ve Snyder, J. (1996). Using a Neural Network to Forecast Visitor Behavior. Annals of Tourism Research, 23 (1): 151-164. Rumelhart, D.E., Hinton, G.E. & Williams, R.J. (1986). Learning Representations By Back-Propagating Errors, Nature, (323): 533 – 536. Sağıroğlu, Beşdok, E ve Erler, M. (2003). Mühendislikte Yapay Zeka Uygulamaları I: Yapay Sinir Ağları, Ufuk Yayıncılık, Kayseri. Sharda, R. ve Patil, R.B. (1992). Connectionist Approach to Time Series Prediction: An Empirical Test. Journal of Intelligent Manufacturing, (3): 317-323. Smith, A.K. (2002). Neural Networks for Business: An Introduction, SMITH, A.K. & GUPTA, J. (der.) Neural Networks in Business: Tecniques and Applications: 1-24. Hershey: Idea Group Publishing. Trippi, R.R. ve Turban, E. (1996). Neural Networks in Finance And İnvesting: Using Artificial İntelligence to İmprove Real-World Performance. (Revised Edition), IRWIN Professional Publishing. Türkiye İstatistik Kurumu, (2013). Haber Bülteni, Turizm İstatistikleri Revize Sonuçları, 2001-2012 (14 Şubat 2013). Türe, M. ve Kurt, İ. (2005). Hepatit A Virüs Enfeksiyonunun İleriye Yönelik Tahmin Edilmesinde Dört Farklı Zaman Serisi Yönteminin Karşılaştırılması, VIII. Ulusal Biyoistatistik Kongresi, Bursa. Uysal, M. ve El Roubi, S. (1999). Artificial Neural Network Versus Multiple Regression in Tourism Demand Analysis. Journal of Travel Research, 38 (2): 111-118 Waibel, A. (1989). Modular Construction of Time-Delay Neural Networks for Speech Recognition, Neural Computation, (1) 39-46 Witt, S. F. ve Witt C. (1992). Modeling and Forecasting Demand in Tourism. London: Academic Press. Wong, B. K., Jiang, L. ve Lam, J. (2000). A Bibliography of Neural Network Business Application Research: 1994-1998. Computers and Operations Research, 27 (11): 1045-1076. World Travel & Tourism Council - WTTC (2012): Travel & Tourism Economic Impact 2012 Turkey. Yıldız, B. (2009). Finansal Analizde Yapay Zeka. Ankara: Detay Yayıncılık.
5. Zhang, G.P. (2004). Business Forecasting with Artificial Neural Networks: An Overview. İçinde, Zhang, G.P. (der.) Neural Networks in Business Forecasting: 1-22. Hershey: Idea Group Publishing. Zhang, G.P. and Qi, M. (2005). Neural Network Forecasting For Seasonal And Trend, European Journal of Operational Research, 160 (2): 501-514. Zhang, G.P. and Kline, D.M. (2007). Quarterly Time-Series Forecasting With Neural Networks. IEEE Transactions On Neural Networks, 18 (6): 1800-1814