Improving of an Artificial Neural Networks Forecasting Model for Determining of the Number of Calls in 112 Emergency Call Center

Abstract

Forecasting studies are extremely important in the technical, social and economic research. Generally, we know it is very difficult to forecast with higher accurate about a system by using recent values. In the scientific literature, the forecasting studies of energy, personnel planning, production planning, climate changes, sales and marketing and economics etc. are frequently found. In this paper, for an emergency calls center in Isparta province of Turkey an artificial neural network (ANN) forecasting model was developed to determine the number of calls for as health, fire and security services on a pilot implementation of the emergency calls center on a single number 112. In the developed model, the gradient descent with adaptive learning and momentum (GDX) algorithm is selected as the training algorithm with feed-forward back-propagation by using 80% of input data and the 20% of input data is used for testing set data from last month. After the testing, the mean absolute percentage error (MAPE) rate is obtained as 4.5% and it is useful to test. In addition, the forecasting results of the next month are shown that the MAPE values are 2.65%, 6.40% and 5.24% with ANN, trend analysis and ARIMA (1 1 1) models respectively and, the number of calls are found separately on the types of calls in daily. Consequently, the developed model by using ANN to forecast the number of calls in an emergency call center is more accurate than the trend analysis and ARIMA models.

Keywords

• 112 Emergency calls, Artificial neural networks, Forecasting, ARIMA.

112 Acil Çağrı Merkezine Gelen Çağrı Sayılarını Belirleyebilmek için Bir Yapay Sinir Ağları Tahminleme Modeli Geliştirilmesi

Öz

Tahminleme çalışmaları, teknik, sosyal ve ekonomik araştırmalar bakımından son derece önemlidir. İlgilenilen sistem hakkında gerçekleşmiş veriler kullanarak tahmin yapmak ya da yüksek doğrulukta tahminler yapabilmek genellikle çok zordur. Bilimsel yazında, tahminleme çalışmalarına enerji, personel planlama, üretim planlama, iklim değişimleri, satış-pazarlama ve ekonomik çalışmalarda sıklıkla rastlanmaktadır. Bu çalışmada, ülkemizde de son yıllarda yeniden yapılanma sürecine giren, sağlık, itfaiye ve güvenlik hizmetlerinin tek numarada birleştirilmesi konusundaki Acil Çağrı Merkezleri'nin bir pilot uygulaması olan Isparta ili 112 Acil Çağrı Merkezi için sağlık, güvenlik ve itfaiye ihtiyaçlarına yönelik gelebilecek çağrı sayısını tahminlemek amacıyla bir yapay sinir ağları (YSA) modeli geliştirilmiştir. Modelde gelecek dönemler için muhtemel çağrı sayısını tahminleme modeli için kurulan ağın eğitilmesinde momentum ve adatif öğrenme oranı kullanan ileri beslemeli geri yayılımlı en dik iniş algoritması kullanılmıştır. Uygulamada, geçmiş bir aylık verilerin %80'i öğrenme ve %20'si test amacıyla kullanılmıştır. Test süreci sonunda ortalama mutlak yüzdelik hata (OMYH) oranı %4,5 olarak elde edilmiş ve modelin test edilmesi uygun görülmüştür. Ayrıca, gelecek bir ay için OMYH oranı YSA modeli için %2,65, trend analizi modeli için %6,40 ve oto-regresif entegreli hareketli ortalama (ARIMA) modeli için %5,24 olacak şekilde çağrı türlerine göre çağrı sayıları her gün için elde edilmiştir. Sonuç olarak, YSA kullanılarak yapılan tahminleme ile trend analizi ve ARIMA (1 1 1) modeline göre daha düşük OMYH oranına sahiptir.

Anahtar Kelimeler

• 112 Acil çağrı, Yapay sinir ağları, Tahminleme, ARIMA.

Kaynakça

1. Eke, İ., “Diferansiyel Evrim Algoritması Destekli Yapay Sinir Ağı ile Orta Dönem Yük Tahmini”, International Journal of Research and Development, 3 (1), 28-32, 2011.
2. Ağaç, F., “Çağrı Merkezleri”, TBD Bilişim Dergisi, 145, 104- 145, 2012.
3. Ho, S.L., Xie, M. and Goh, T.N., “A comparative study of neural network and Box-Jenkins ARIMA modeling in time series prediction”, Computers&Industrial Engineering, 42, 371-375, 2002.
4. Zhang, G. P., “Time series forecasting using a hybrid ARIMA and neural network model”, Neurocomputing, 50, 159-17, 2003.
5. Zhang, G.P. and Qi, M., “Neural network forecasting for seasonal and trend time series”, European Journal of Operational Research, 160, 501-514. 2005.
6. Hamzaçebi, C., “Improving Artificial Neural Networks Performance in Seasonal Time Series Forecasting”, Information Sciences, 178 (23), 4550-4559, 2008.
7. Kaynar, O., Taştan, S. ve Demirkoparan, F., “Ham Petrol Fiyatlarının Yapay Sinir Ağları İle Tahmini”, Ege Akademik Bakış, 10 (2), 559-573, 2010.
8. Parry, M.E., Cao, Q. and Song, M., “Forecasting New Product Adoption with Probabilistic Neural Networks”, Product Development & Management Association, 28, 78-88, 2011.

9. Papadopoulos, H. and Haralambous, H., “Reliable prediction intervals with regression neural networks”, Neural Networks, 24, 842-851, 2011.
10. Saplıoğlu, K. ve Çimen, M., “Yapay Sinir Ağlarını Kullanarak Günlük Yağış Miktarının Tahmini”, Mühendislik Bilimleri ve Tasarım Dergisi, 1(1), 14-21, 2010.
11. Araghinegad, S., Azmi, M. and Kholghi, M., “Application of artificial neural network ensembles in probabilistic hydrological forecasting”, Journal of Hydrology, 407, 94- 104, 2011.
12. Shukla, R., Tripathi, K., Pandey, A. and Das, I.M.L., “Prediction of Indian summer monsoon rainfall using Nino indices: A neural network approach”, Atmospheric Research, 102, 99-109, 2011.
13. Kızılaslan, R., Büyükkınacı, B., Bayraktar, D. ve Çelebi D., “Doğalgaz Talep Tahmini İçin Yapay Sinir Ağları ve Bulanık Mantık Model Önerileri”, Yöneylem Araştırması ve Endüstri Mühendisliği 29. Ulusal Kongresi, 22-24 Haziran 2009, Ankara.
14. Guo, Z., Zhao, W., Lu, H. and Wang, J., “Multi-step forecasting for wind speed using a modified EMD-based artificial neural network model”, Renewable Energy, 37, 241-249, 2012.
15. Wei, Y. and Chen, M.-C., “Forecasting the short-term metro passenger flow with empirical mode decomposition and neural networks”, Transportation Research Part C, 21, 148-162, 2012.
16. Chen, C., Lai, M. and Yeh, C., “Forecasting tourism demand based on empirical mode decomposition and neural network”, Knowledge-Based Systems, 26, 281-287, 2012.
17. Hassan, R., Nath, B. and Kirley, M., “A fusion model of HMM, ANN and GA for stock market forecasting”, Expert Systems with Applications, 33(1), 171-180, 2007.
18. Dai, W., Wu, J.-Y. and Lu, C.-J., “Combining nonlinear independent component analysis and neural network for the prediction of Asian stock market indexes”, Expert Systems with Applications, 39, 4444-4452, 2012.
19. Çetin, M., Uğur A. ve Bazyan, Ş., “İleri Beslemeli Yapay Sinir Ağlarında Backpropagation Algoritmasının Sezgisel Yaklaşımı”, IV. Bilgitek ve Akademik Bilişim 2006 Sempozyumu, 9-11. Denizli, Şubat 2006.
20. McCulloch, S. W. and Pitts, H. W., “A Logical Calculus of the Ideas Immanent in Neural Net”, Bulletin of Mathematical Biophysics, 5, 115-133 1943.
21. Wang, W., “Stochasticity, Nonlinearity and Forecasting of Streamflow Processes”, Ph.D. Thesis at Technische Universiteit Delft. 2006.
22. Widrow, B. and Hoff, M., “Adaptive Switching Circuit”, 1960 IRE WESCON Convention Record, Part 4, 1960.
23. Öztemel, E., Yapay Sinir Ağları, Papatya Yayıncılık, İstanbul, 2003.
24. Sen, Z., Yapay Sinir Ağları İlkeleri, Su Vakfı Yayınları, İstanbul, 2004.