Araştırma Makalesi
BibTex RIS Kaynak Göster

Estimating Future Electric Vehicle and Charging Station Numbers Using LSTM and GRU Deep Learning Methods: Kocaeli Province Example

Yıl 2026, Cilt: 29 Sayı: 4 , 1 - 14 , 21.04.2026

Ayşe Tuğba Yapıcı , Nurettin Abut

https://doi.org/10.2339/politeknik.1674525
https://izlik.org/JA27CK93XF

Öz

In this study, the number of electric vehicles and charging stations in Kocaeli in 2030 was estimated with two different deep learning models.Data obtained from TURKSTAT and EMRA were used for training LSTM and GRU models.In addition to the prediction results, a statistical prediction was made for 2030 with the support of an analysis company using existing data.Thus, three different prediction results were obtained. To understand which of the LSTM and GRU models provides higher prediction accuracy, low error rate and high success scores were used.LSTM and GRU achieved the same score with a value of 0.99 in the R2 success metric.While LSTM provided a value of 0.5007 and GRU a value of 0.38 in the MAE error metric, LSTM provided a value of 3.05 and GRU a value of 2.92 in the MSE error metric.The DTW metric scores are 126.97 in LSTM and 125.35 in GRU. According to the metric scores, it was determined that the GRU model gave the best result.2030 Kocaeli province charging station GRU model predictions were positioned on a neighborhood basis by preserving the existing charging stations.

Anahtar Kelimeler

Electric vehicle charging station deep learning artifical intelligence python.

Kaynakça

  • [1] Alanazi F.,“Electricvehicles: Benefits, challenges, and potential solutions for wide spread adaptation”, Applied Sciences, 13:1-23, (2023).
  • [2] Mastoi M. S.,Zhuang S., Munir H. M., Haris M., Hassan M., Usman M., Bukhari S. S.H., Ro J. S.,“An in-depthanalysis of electric vehicle charging station infrastructure, policyimplications, and future trends”., Energy Reports, 8: 11504-11529, (2022).
  • [3] Al-Hanahi B., Ahmad I., Habibi D., Masoum M. A., “Charging infrastructure for commercial electric vehicles: Challenges and future Works”, Ieee Access, 9: 121476-121492, (2021).
  • [4] Ahmad F.,Iqbal A., Ashraf I., MarzbandM.,“Optimal location of electric vehicle charging station and its impact on distribution network: A review”, Energy Reports, 8: 2314-2333, (2022).
  • [5] Powell S.,Cezar G. V., Min L., Azevedo I. M., Rajagopal R., “Charging infrastructure Access and operation to reduce the grid impacts of deep electric vehicle adoption”, Nature Energy, 7: 932-945, (2022).
  • [6] Majhi R. C.,Ranjitkar P., Sheng M., Covic G. A., Wilson D. J.,“A systematic review of chargin ginfrastructure location problem for electric vehicles” Transport Reviews, 41: 432-455, (2021).
  • [7] Hassan Q.,Viktor P., Al-Musawi T. J., Ali B. M., Algburi S., Alzoubi H. M., Jaszczur M.,“There newable energy role in the global energy Transformations”, Renewable Energy Focus, 48:1-1,(2024).
  • [8] Hou F.,Chen X., Yang F., Ma Z., Zhang S., Guo, F., “Comprehensive analysis method of determining global long-term GHG mitigation potential of passenger battery electric vehicles”, Journal of Cleaner Production, 289: 1-1, (2021).
  • [9] Ternel C.,Bouter A., Melgar J., “Life cycle assessment of mid-range passenger cars powered by liquid and gase ousbio fuels: Comparison with gren house gas emissions of electric vehicles and forecast to 2030”, Transportation Research Part D: Transport and Environment, 97:1-1, (2021).
  • [10] Okoh A. S.,Onuoha M. C.,“Immediate and future challenges of using electric vehicles for promoting energy efficiency in Africa’scleanenergytransition”, Global Environmental Change, 84: 1-1, (2024).
  • [11] Çelikkaya A., “Türkiye’nin Karbon Fiyatlandırma Politikasının Yeniden Gözden Geçirilmesi”, Maliye Çalışmaları Dergisi, 71: 15-27, (2024).
  • [12] Demir A.,“Hibrid, Tam Elektrikli ve Yakit Hücreli Araçlar Trendi ve Emniyet Yükümlülüklerinin Değerlendirilmesi”, İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 21: 36-155, (2022).
  • [13] Özdemir E.,ErcanB.,“Avrupa Yeşil Mutabakatının Enerji Sektörüne ve Otomotiv Endüstrisine Etkileri ve Sonuçları”, Avrupa Bilim ve Teknoloji Dergisi, 51: 190-202, (2023).
  • [14] Koohfar S.,Woldemariam W., Kumar A.,“Prediction of electric vehicle scharging demand: A transformer-based deep learning approach”, Sustainability, 15: 1-17, (2023).
  • [15] Yi Z.,LiuX. C.,Wei R., Chen X., Dai J.,“Electric vehicle charging demand forecasting using deep learning model”, Journal of Intelligent Transportation Systems, 26: 690-703, (2022).
  • [16] Shanmuganathan J.,Victoire A. A., Balraj G., Victoire A.,“Deep learning LSTM recurrent neural network model for prediction of electric vehicle charging demand”, Sustainability, 14: 1-28, (2022).
  • [17] Sasidharan M., Kinattingal S., Simon S.P., “Comparative Analysis of Deep Learning Models for ElectricVehicle Charging Load Forecasting”, J. Inst. Eng. India Ser. B, 104: 105–113, (2023).
  • [18] Rasheed T.,Bhatti A. R., Farhan M., Rasool A., El-Fouly T. H.,“Improving the efficiency of deep learning model susing supervised approach for load forecasting of electric vehicles”, IEEE Access, 11: 91604-91619, (2023).
  • [19] Chung D. W.,Ko J. H., Yoon K. Y.,“State-of-charge estimation of lithium-ion batterie susing LSTM deep learning method”, Journal of Electrical Engineering&Technology, 17: 1931-1945, (2022).
  • [20] Wei M., Ye M., Li J. B., Wang Q., Xu X.,“State of charge estimation of lithium-ion batteries using LSTM and NARX neural Networks”, Ieee Access, 8: 189236-189245, (2020).
  • [21] Shahriar S. M.,Bhuiyan E. A., Nahiduzzaman M., Ahsan M., Haider J.,“State of charg eestimation for electric vehicle battery management systems using the hybrid recurrent learning approach with explain able artificial intelligence”. Energies, 15: 1-1, (2022).
  • [22] Yang F.,Zhang S., Li W., Miao Q.,“State-of-charge estimation of lithium-ion batteries using LSTM and UKF”, Energy, 201: 1-1, (2020).
  • [23] Alansari M., Al‐Sumaiti A. S., AbughaliA.,“Optimal placement of electric vehicle charging infrastructures utilizing deep learning”, IET Intelligent Transport Systems, 18: 1529-1544, (2024).
  • [24] Adil M.,Mahmud M. P., Kouzani A. Z., Khoo S. Y.,“Optimal location an dpricing of electric vehicle charging stations using machine learning and stackelberggame”, IEEE Transactions on Industry Applications, 60: 4708-4722, (2024).
  • [25] Zhao Z., Lee C. K., Ren J., Tsang Y. P.,“Optimal EV fast charging station deployment based on a reinforcemen tlearning framework”, IEEE Transactions on Intelligent Transportation Systems, 24: 8053-8065, (2023).
  • [26] Hameed B. Z.,Shah M., Naik N., Singh Khanuja H., Paul R., Somani B. K., “Application of artificial intelligence-based classifier stop redict the out come measures and stone-free status following percutaneous nephrolithotomy for staghorn calculi: cross-validation of data and estimation of accuracy”, Journal of Endourology, 35: 1307-1313, (2021).
  • [27] Medvedeva M.,Vols M., WielingM.,“Using machine learning to predict decisions of theEuropean Court of Human Rights”, Artificial Intelligence and Law, 28: 237-266, (2020).
  • [28] Mangipinto A.,Lombardi F., Sanvito F. D., Pavičević M., Quoilin S., Colombo E., “Impact of mass-scale deployment of electric vehicles and benefits of smart charging across all European countries”, Applied Energy, 312: 1-1, (2022).
  • [29] Fischer A. M., Eid M., De Cecco C. N., Gulsun M. A., Van Assen M., Nance J. W. and Schoepf U. J., “Accuracy of an artificial intelligence deep learning algorithm implementing a recurrent neural network with longshort-term memory for the automated detection of calci fiedplaques from coronary computed tomography angiography”, Journal of Thoracic Imaging, 35: 49-57, (2020).
  • [30] Castán-Lascorz M. A., Jiménez-Herrera P., Troncoso A. and Asencio-Cortés G.,“A new hybrid method for predicting univariate and multivariate time series based on pattern forecasting” , Information Sciences, 586: 611-627, (2022).
  • [31] Han S.,Meng Z., Zhang X., Yan Y.,“Hybrid deep recurrent neural Networks for noise reduction of MEMS-IMU with static and dynamic conditions”, Micromachines, 12: 1-1,(2021).
  • [32] Elsayed N.,Maida A. S., Bayoumi M.,“Reduced gate convolutiona long short term memory using predictive coding for spatiotemporal prediction”, Computational Intelligence, 36: 910-939, (2020).
  • [33] Wang Q.,Peng R. Q., Wang J. Q., Li Z., Qu H. B.,“NEWLSTM: An optimized long short-term memory language model for sequence prediction”, IEEE Access, 8: 65395-65401, (2020).
  • [34] BhandariH. N.,Rimal B., Pokhrel N. R., Rimal R., Dahal K. R., Khatri R. K.,“Predictingstock market indexusing LSTM”, Machine Learning with Applications, 9: 1-1, (2022).
  • [35] ArunKumar K. E.,Kalaga D. V., Kumar C. M. S., Kawaji M., Brenza T. M.,“Forecasting of COVID-19 using deep layer recurrent neural networks (RNNs) with gated recurrent units (GRUs) and long short-term memory (LSTM) cells”, Chaos, Solitons & Fractals, 146:1-1, (2021).
  • [36] Bouktif S.,Fiaz A., Ouni A., Serhani M. A.,“Multi-sequence LSTM-RNN deep learning and metaheuristics for electric load forecasting”, Energies, 13: 1-1, (2020).
  • [37] Zarzycki K.,Ławryńczuk M.,“LSTM and GRU neural networks as models of dynamical processes used in predictive control: A comparison of models developed for two chemical reactors”, Sensors, 21:1-1, (2021).
  • [38] Wright L. G.,Onodera T., Stein M. M., Wang T., Schachter D. T., Hu Z., McMahon P. L.,“Deep physical neural Networks trained with back propagation”, Nature, 601: 549-555, (2022).
  • [39] Astawa I. N. G. A.,Pradnyana I. P. B. A., Suwintana I. K.,“Comparison of rnn, lstm, andgrumethods on forecasting website visitors”, J. Comput. Sci. Technol. Stud, 4: 11-18, (2022).
  • [40] Xia M.,Shao H., Ma X., De Silva C. W.,“A stacked GRU-RNN-based approach for predicting renewable energy and electricity load fo rsmart grid operation”, IEEE Transactions on Industrial Informatics, 17: 7050-7059, (2021).
  • [41] Zarzycki K.,Ławryńczuk M.,“LSTM and GRU neural networks as models of dynamical processe sused in predictive control: A comparison of models developed for two chemical reactors”, Sensors, 21:1-1, (2021).
  • [42] Öktem, K., Tekerek, A., “Bitcoin Price Direction Prediction Using Machine Learning on a Very Small Dataset.” Politeknik Dergisi 1-1, (2025). https://doi.org/10.2339/politeknik.1667403
  • [43] Alsaideen, M., Ertem, Z., “A Comprehensive Analysis of Resilient Multivariate Forecasting Models for Steel Plate Price Prediction.” Politeknik Dergisi, 28(2), 627-637, (2025).
  • [44] Kabakçı, D. ve Akbaş, E., “Automated learning rate search using batch-level cross-validation”. Sakarya University Journal of Computer and Information Sciences, 4(3), 312-325, (2023).

Geleceğe Yönelik Elektrikli Araç ve Şarj istasyonu Sayılarının LSTM VE GRU Derin Öğrenme Yöntemleri Kullanılarak Tahmin Edilmesi: Kocaeli İli Örneği

Yıl 2026, Cilt: 29 Sayı: 4 , 1 - 14 , 21.04.2026

Ayşe Tuğba Yapıcı , Nurettin Abut

https://doi.org/10.2339/politeknik.1674525
https://izlik.org/JA27CK93XF

Öz

Yapılan bu çalışmada iki farklı derin öğrenme modeli ile 2030 yılı Kocaeli ili elektrikli araç ve şarj istasyonu sayılarının tahmini yapılmıştır. LSTM ve GRU modellerinin eğitimi için TÜİK ve EPDK’dan alınan veriler kullanılmıştır. Yapılan tahmin sonuçlarına ek olarak mevcut veriler ile bir analiz firmasından alınan destek ile 2030 yılı için istatiksel bir tahmin yapılmıştır. Böylece üç farklı tahmin sonucu elde edilmiştir. LSTM ve GRU modellerinden hangisinin daha yüksek tahmin doğruluğunu sağladığı, düşük hata oranı ve yüksek başarı skorları ile belirlenmiştir. LSTM ve GRUR2 başarı metriğinde 0,99 değeri ile aynı skoru sağlamışlardır.MAE hata metriğinde LSTM 0.5007, GRU ise 0,38 değerini sağlarken, MSE hata metriğinde LSTM 3,05 ve GRU 2,92 değerini sağlamıştır. DTW metriği skorları ise LSTM’de 126,97, GRU ‘da ise 125,35’tir. Metrik skorlarına göre GRU modelinin en iyi sonucu verdiği belirlenmiştir. 2030 yılı Kocaeli ili şarj istasyonu GRU modeli tahminlerinin, mevcut şarj istasyonları muhafaza edilerek mahalle bazında konumlandırması yapılmıştır.

Anahtar Kelimeler

Elektrikli araç şarj istasyonu derin öğrenme yapay zeka python.

Kaynakça

  • [1] Alanazi F.,“Electricvehicles: Benefits, challenges, and potential solutions for wide spread adaptation”, Applied Sciences, 13:1-23, (2023).
  • [2] Mastoi M. S.,Zhuang S., Munir H. M., Haris M., Hassan M., Usman M., Bukhari S. S.H., Ro J. S.,“An in-depthanalysis of electric vehicle charging station infrastructure, policyimplications, and future trends”., Energy Reports, 8: 11504-11529, (2022).
  • [3] Al-Hanahi B., Ahmad I., Habibi D., Masoum M. A., “Charging infrastructure for commercial electric vehicles: Challenges and future Works”, Ieee Access, 9: 121476-121492, (2021).
  • [4] Ahmad F.,Iqbal A., Ashraf I., MarzbandM.,“Optimal location of electric vehicle charging station and its impact on distribution network: A review”, Energy Reports, 8: 2314-2333, (2022).
  • [5] Powell S.,Cezar G. V., Min L., Azevedo I. M., Rajagopal R., “Charging infrastructure Access and operation to reduce the grid impacts of deep electric vehicle adoption”, Nature Energy, 7: 932-945, (2022).
  • [6] Majhi R. C.,Ranjitkar P., Sheng M., Covic G. A., Wilson D. J.,“A systematic review of chargin ginfrastructure location problem for electric vehicles” Transport Reviews, 41: 432-455, (2021).
  • [7] Hassan Q.,Viktor P., Al-Musawi T. J., Ali B. M., Algburi S., Alzoubi H. M., Jaszczur M.,“There newable energy role in the global energy Transformations”, Renewable Energy Focus, 48:1-1,(2024).
  • [8] Hou F.,Chen X., Yang F., Ma Z., Zhang S., Guo, F., “Comprehensive analysis method of determining global long-term GHG mitigation potential of passenger battery electric vehicles”, Journal of Cleaner Production, 289: 1-1, (2021).
  • [9] Ternel C.,Bouter A., Melgar J., “Life cycle assessment of mid-range passenger cars powered by liquid and gase ousbio fuels: Comparison with gren house gas emissions of electric vehicles and forecast to 2030”, Transportation Research Part D: Transport and Environment, 97:1-1, (2021).
  • [10] Okoh A. S.,Onuoha M. C.,“Immediate and future challenges of using electric vehicles for promoting energy efficiency in Africa’scleanenergytransition”, Global Environmental Change, 84: 1-1, (2024).
  • [11] Çelikkaya A., “Türkiye’nin Karbon Fiyatlandırma Politikasının Yeniden Gözden Geçirilmesi”, Maliye Çalışmaları Dergisi, 71: 15-27, (2024).
  • [12] Demir A.,“Hibrid, Tam Elektrikli ve Yakit Hücreli Araçlar Trendi ve Emniyet Yükümlülüklerinin Değerlendirilmesi”, İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 21: 36-155, (2022).
  • [13] Özdemir E.,ErcanB.,“Avrupa Yeşil Mutabakatının Enerji Sektörüne ve Otomotiv Endüstrisine Etkileri ve Sonuçları”, Avrupa Bilim ve Teknoloji Dergisi, 51: 190-202, (2023).
  • [14] Koohfar S.,Woldemariam W., Kumar A.,“Prediction of electric vehicle scharging demand: A transformer-based deep learning approach”, Sustainability, 15: 1-17, (2023).
  • [15] Yi Z.,LiuX. C.,Wei R., Chen X., Dai J.,“Electric vehicle charging demand forecasting using deep learning model”, Journal of Intelligent Transportation Systems, 26: 690-703, (2022).
  • [16] Shanmuganathan J.,Victoire A. A., Balraj G., Victoire A.,“Deep learning LSTM recurrent neural network model for prediction of electric vehicle charging demand”, Sustainability, 14: 1-28, (2022).
  • [17] Sasidharan M., Kinattingal S., Simon S.P., “Comparative Analysis of Deep Learning Models for ElectricVehicle Charging Load Forecasting”, J. Inst. Eng. India Ser. B, 104: 105–113, (2023).
  • [18] Rasheed T.,Bhatti A. R., Farhan M., Rasool A., El-Fouly T. H.,“Improving the efficiency of deep learning model susing supervised approach for load forecasting of electric vehicles”, IEEE Access, 11: 91604-91619, (2023).
  • [19] Chung D. W.,Ko J. H., Yoon K. Y.,“State-of-charge estimation of lithium-ion batterie susing LSTM deep learning method”, Journal of Electrical Engineering&Technology, 17: 1931-1945, (2022).
  • [20] Wei M., Ye M., Li J. B., Wang Q., Xu X.,“State of charge estimation of lithium-ion batteries using LSTM and NARX neural Networks”, Ieee Access, 8: 189236-189245, (2020).
  • [21] Shahriar S. M.,Bhuiyan E. A., Nahiduzzaman M., Ahsan M., Haider J.,“State of charg eestimation for electric vehicle battery management systems using the hybrid recurrent learning approach with explain able artificial intelligence”. Energies, 15: 1-1, (2022).
  • [22] Yang F.,Zhang S., Li W., Miao Q.,“State-of-charge estimation of lithium-ion batteries using LSTM and UKF”, Energy, 201: 1-1, (2020).
  • [23] Alansari M., Al‐Sumaiti A. S., AbughaliA.,“Optimal placement of electric vehicle charging infrastructures utilizing deep learning”, IET Intelligent Transport Systems, 18: 1529-1544, (2024).
  • [24] Adil M.,Mahmud M. P., Kouzani A. Z., Khoo S. Y.,“Optimal location an dpricing of electric vehicle charging stations using machine learning and stackelberggame”, IEEE Transactions on Industry Applications, 60: 4708-4722, (2024).
  • [25] Zhao Z., Lee C. K., Ren J., Tsang Y. P.,“Optimal EV fast charging station deployment based on a reinforcemen tlearning framework”, IEEE Transactions on Intelligent Transportation Systems, 24: 8053-8065, (2023).
  • [26] Hameed B. Z.,Shah M., Naik N., Singh Khanuja H., Paul R., Somani B. K., “Application of artificial intelligence-based classifier stop redict the out come measures and stone-free status following percutaneous nephrolithotomy for staghorn calculi: cross-validation of data and estimation of accuracy”, Journal of Endourology, 35: 1307-1313, (2021).
  • [27] Medvedeva M.,Vols M., WielingM.,“Using machine learning to predict decisions of theEuropean Court of Human Rights”, Artificial Intelligence and Law, 28: 237-266, (2020).
  • [28] Mangipinto A.,Lombardi F., Sanvito F. D., Pavičević M., Quoilin S., Colombo E., “Impact of mass-scale deployment of electric vehicles and benefits of smart charging across all European countries”, Applied Energy, 312: 1-1, (2022).
  • [29] Fischer A. M., Eid M., De Cecco C. N., Gulsun M. A., Van Assen M., Nance J. W. and Schoepf U. J., “Accuracy of an artificial intelligence deep learning algorithm implementing a recurrent neural network with longshort-term memory for the automated detection of calci fiedplaques from coronary computed tomography angiography”, Journal of Thoracic Imaging, 35: 49-57, (2020).
  • [30] Castán-Lascorz M. A., Jiménez-Herrera P., Troncoso A. and Asencio-Cortés G.,“A new hybrid method for predicting univariate and multivariate time series based on pattern forecasting” , Information Sciences, 586: 611-627, (2022).
  • [31] Han S.,Meng Z., Zhang X., Yan Y.,“Hybrid deep recurrent neural Networks for noise reduction of MEMS-IMU with static and dynamic conditions”, Micromachines, 12: 1-1,(2021).
  • [32] Elsayed N.,Maida A. S., Bayoumi M.,“Reduced gate convolutiona long short term memory using predictive coding for spatiotemporal prediction”, Computational Intelligence, 36: 910-939, (2020).
  • [33] Wang Q.,Peng R. Q., Wang J. Q., Li Z., Qu H. B.,“NEWLSTM: An optimized long short-term memory language model for sequence prediction”, IEEE Access, 8: 65395-65401, (2020).
  • [34] BhandariH. N.,Rimal B., Pokhrel N. R., Rimal R., Dahal K. R., Khatri R. K.,“Predictingstock market indexusing LSTM”, Machine Learning with Applications, 9: 1-1, (2022).
  • [35] ArunKumar K. E.,Kalaga D. V., Kumar C. M. S., Kawaji M., Brenza T. M.,“Forecasting of COVID-19 using deep layer recurrent neural networks (RNNs) with gated recurrent units (GRUs) and long short-term memory (LSTM) cells”, Chaos, Solitons & Fractals, 146:1-1, (2021).
  • [36] Bouktif S.,Fiaz A., Ouni A., Serhani M. A.,“Multi-sequence LSTM-RNN deep learning and metaheuristics for electric load forecasting”, Energies, 13: 1-1, (2020).
  • [37] Zarzycki K.,Ławryńczuk M.,“LSTM and GRU neural networks as models of dynamical processes used in predictive control: A comparison of models developed for two chemical reactors”, Sensors, 21:1-1, (2021).
  • [38] Wright L. G.,Onodera T., Stein M. M., Wang T., Schachter D. T., Hu Z., McMahon P. L.,“Deep physical neural Networks trained with back propagation”, Nature, 601: 549-555, (2022).
  • [39] Astawa I. N. G. A.,Pradnyana I. P. B. A., Suwintana I. K.,“Comparison of rnn, lstm, andgrumethods on forecasting website visitors”, J. Comput. Sci. Technol. Stud, 4: 11-18, (2022).
  • [40] Xia M.,Shao H., Ma X., De Silva C. W.,“A stacked GRU-RNN-based approach for predicting renewable energy and electricity load fo rsmart grid operation”, IEEE Transactions on Industrial Informatics, 17: 7050-7059, (2021).
  • [41] Zarzycki K.,Ławryńczuk M.,“LSTM and GRU neural networks as models of dynamical processe sused in predictive control: A comparison of models developed for two chemical reactors”, Sensors, 21:1-1, (2021).
  • [42] Öktem, K., Tekerek, A., “Bitcoin Price Direction Prediction Using Machine Learning on a Very Small Dataset.” Politeknik Dergisi 1-1, (2025). https://doi.org/10.2339/politeknik.1667403
  • [43] Alsaideen, M., Ertem, Z., “A Comprehensive Analysis of Resilient Multivariate Forecasting Models for Steel Plate Price Prediction.” Politeknik Dergisi, 28(2), 627-637, (2025).
  • [44] Kabakçı, D. ve Akbaş, E., “Automated learning rate search using batch-level cross-validation”. Sakarya University Journal of Computer and Information Sciences, 4(3), 312-325, (2023).
Toplam 44 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Yapay Zeka (Diğer), Elektrik Mühendisliği (Diğer), Hibrit ve Elektrikli Araçlar ve Güç Aktarma Organları
Bölüm Araştırma Makalesi
Yazarlar

Ayşe Tuğba Yapıcı 0000-0003-2471-0835

Nurettin Abut 0000-0001-6732-7575

Gönderilme Tarihi 11 Nisan 2025
Kabul Tarihi 21 Temmuz 2025
Erken Görünüm Tarihi 21 Ağustos 2025
Yayımlanma Tarihi 21 Nisan 2026
DOI https://doi.org/10.2339/politeknik.1674525
IZ https://izlik.org/JA27CK93XF
Yayımlandığı Sayı Yıl 2026 Cilt: 29 Sayı: 4

Kaynak Göster

APA Yapıcı, A. T., & Abut, N. (2026). Geleceğe Yönelik Elektrikli Araç ve Şarj istasyonu Sayılarının LSTM VE GRU Derin Öğrenme Yöntemleri Kullanılarak Tahmin Edilmesi: Kocaeli İli Örneği. Politeknik Dergisi, 29(4), 1-14. https://doi.org/10.2339/politeknik.1674525
AMA 1.Yapıcı AT, Abut N. Geleceğe Yönelik Elektrikli Araç ve Şarj istasyonu Sayılarının LSTM VE GRU Derin Öğrenme Yöntemleri Kullanılarak Tahmin Edilmesi: Kocaeli İli Örneği. Politeknik Dergisi. 2026;29(4):1-14. doi:10.2339/politeknik.1674525
Chicago Yapıcı, Ayşe Tuğba, ve Nurettin Abut. 2026. “Geleceğe Yönelik Elektrikli Araç ve Şarj istasyonu Sayılarının LSTM VE GRU Derin Öğrenme Yöntemleri Kullanılarak Tahmin Edilmesi: Kocaeli İli Örneği”. Politeknik Dergisi 29 (4): 1-14. https://doi.org/10.2339/politeknik.1674525.
EndNote Yapıcı AT, Abut N (01 Nisan 2026) Geleceğe Yönelik Elektrikli Araç ve Şarj istasyonu Sayılarının LSTM VE GRU Derin Öğrenme Yöntemleri Kullanılarak Tahmin Edilmesi: Kocaeli İli Örneği. Politeknik Dergisi 29 4 1–14.
IEEE [1]A. T. Yapıcı ve N. Abut, “Geleceğe Yönelik Elektrikli Araç ve Şarj istasyonu Sayılarının LSTM VE GRU Derin Öğrenme Yöntemleri Kullanılarak Tahmin Edilmesi: Kocaeli İli Örneği”, Politeknik Dergisi, c. 29, sy 4, ss. 1–14, Nis. 2026, doi: 10.2339/politeknik.1674525.
ISNAD Yapıcı, Ayşe Tuğba - Abut, Nurettin. “Geleceğe Yönelik Elektrikli Araç ve Şarj istasyonu Sayılarının LSTM VE GRU Derin Öğrenme Yöntemleri Kullanılarak Tahmin Edilmesi: Kocaeli İli Örneği”. Politeknik Dergisi 29/4 (01 Nisan 2026): 1-14. https://doi.org/10.2339/politeknik.1674525.
JAMA 1.Yapıcı AT, Abut N. Geleceğe Yönelik Elektrikli Araç ve Şarj istasyonu Sayılarının LSTM VE GRU Derin Öğrenme Yöntemleri Kullanılarak Tahmin Edilmesi: Kocaeli İli Örneği. Politeknik Dergisi. 2026;29:1–14.
MLA Yapıcı, Ayşe Tuğba, ve Nurettin Abut. “Geleceğe Yönelik Elektrikli Araç ve Şarj istasyonu Sayılarının LSTM VE GRU Derin Öğrenme Yöntemleri Kullanılarak Tahmin Edilmesi: Kocaeli İli Örneği”. Politeknik Dergisi, c. 29, sy 4, Nisan 2026, ss. 1-14, doi:10.2339/politeknik.1674525.
Vancouver 1.Ayşe Tuğba Yapıcı, Nurettin Abut. Geleceğe Yönelik Elektrikli Araç ve Şarj istasyonu Sayılarının LSTM VE GRU Derin Öğrenme Yöntemleri Kullanılarak Tahmin Edilmesi: Kocaeli İli Örneği. Politeknik Dergisi. 01 Nisan 2026;29(4):1-14. doi:10.2339/politeknik.1674525

Cited By

An Intelligent and Secure IoT-Based Framework for Predicting Charging and Travel Duration in Autonomous Electric Taxi Systems
Applied Sciences
https://doi.org/10.3390/app152312423

Amaç ve Kapsam

 Temel mühendislik alanlarındaki hem deneysel hem de kuramsal çalışmaların yer aldığı dergimiz, mühendisliğin hızla gelişen alanlarına ilişkin makalelerin yayınına öncelik tanır ve disiplinlerarası yöntem ve teknolojiler üzerine yoğunlaşmayı,mühendislik bilimlerindeki en güncel bilimsel ve teknolojik gelişmeleri araştırmacılara, mühendislere ve ilgili kitlelere ulaştırmayı hedefler. Dergiye gönderilen bilimsel çalışmaların yayımlanmış veya sözlü veya poster sunum olarak başka yerde yayın için değerlendirme aşamasında bulunmaması gereklidir.


“Politeknik Dergisi" temel mühendislik konularını kapsayan bir dergidir. Dergi ulusal ve uluslararası düzeyde bilim, teknoloji ve mühendislik alanlarında orijinal bir araştırmayı bulgu ve sonuçlarıyla yansıtan ve bilime katkısı olan araştırma makalelerini veya yeterli sayıda bilimsel makaleyi tarayıp, konuyu bugünkü bilgi ve teknoloji düzeyinde özetleyen, değerlendirme yapan ve bulguları karşılaştırarak yorumlayan tarama makalelerini kabul etmektedir.

Dergimize makale gönderen ve/veya dergimizde hakemlik yapan /yapacak olan tüm kullanıcıların kurumsal e-posta hesapları ile sisteme kayıt olmaları gerekmektedir (yahoo.com, hotmail.com, gmail.com vb. uzantılı e-posta hesapları kullanılmamalıdır).

Dergimize ait herhangi bir ŞABLON formatı  bulunmamaktadır. İlk gönderi için makalelerin aşağıdaki kurallara göre hazırlanması gerekmektedir. 

Gazi Üniversitesi Politeknik Dergisi, Fen ve Mühendislik alanlarında çalışan bilim insanları arasındaki bilimsel iletişimi oluşturmak amacıyla, bilimsel özgün makaleleri Türkçe veya İngilizce olarak kabul etmektedir.

Araştırma Makalesi: Orijinal bir araştırmayı bulgu ve sonuçlarıyla yansıtan çalışmalar,

Tarama Makalesi: Yeterli sayıda bilimsel makaleyi tarayıp, konuyu günümüzün bilgi ve teknoloji düzeyinde özetleyen, değerlendirme yapan ve bu bulguları karşılaştırarak yorumlayan yazılar,

Teknik Not: Yapılan bir araştırmanın önemli bulgularını açıklayan yeni bir yöntem veya teknik tanımlayan yazılar. 

Bütün yazıların Telif Hakkı Devir Formu, makalenin bütün yazarları tarafından doldurulup editörlüğe iletilmelidir. Telif Hakkı Devir Formu göndermeyen yazarların yayınları işleme konulmaz. Yayınlanmasına karar verilen makaleler üzerine yazarlar tarafından sonradan hiçbir eklenti yapılamaz.

Her makale en az iki hakeme gönderilerek şekil ve içerik bakımından incelenir. Dergide yayınlanabilecek nitelikteki olduğu belirlenen makalelerin dizgisi yapılarak yayına hazır hale getirilir.

SUNUŞ

İlk gönderi esnasında, makalenin yazar(lar)ı tarafından benzerlik taraması yapılarak benzerlik oranını gösteren raporun makale ile birlikte yüklenmesi gerekmektedir. Detaylı bilgi için tıklayınız.

Her makalede yapılan çalışmanın özetlendiği bir Özet Sayfası bulunmalıdır. (Bu sayfa makalenin ilk sayfası olacak şekilde makalenizi tek dosya halinde gönderiniz). Özet sayfasına ait şablon dosyaya ulaşmak için tıklayınız.

1. METİN : Times New Roman yazı karakterinde ve 12 pt olacak şekilde yazılmalı, kaynaklar ve şekiller dahil tarama yazıları dışında 20 sayfayı geçmemelidir. Yazarlar makalelerinin ne türde bir yazı olduğunu belirtmelidirler.

2. BAŞLIK : Eserin başlığı, ilk harfleri büyük olacak şekilde Türkçe ve İngilizce olarak yazılmalı, başlık metne uygun, kısa ve açık olmalıdır.

Metin içerisindeki 1. derece başlıkların tamamı büyük harfle, 2. derece başlıkların tüm kelimelerinin ilk harfleri büyük harfle ve 3. ve daha alt başlıklar için başlığın yalnızca ilk kelimesi büyük harfle olacak şekilde yazılmalıdır (Metin içerisinde kullanılan başlıkların ve alt başlıkların tümünün İngilizceleri parantez içerisinde belirtilmelidir. Yazım dili İngilizce olan makalelerde, parantez içerisinde herhangi bir şey belirtilmemelidir. Tüm metin İngilizce olmalıdır)

3. ÖZET : 200 kelimeyi geçmeyecek şekilde Türkçe ve İngilizce yazılmalıdır. İngilizce özetin başına eserin başlığı da ingilizce olarak yazılmalıdır.

4. ANAHTAR KELİMELER : En az 3 en fazla 5 adet Türkçe/ İngilizce olarak verilmelidir.

5. METİN : Genel olarak giriş, yöntem, bulgular, sonuç ve tartışmaya ilişkin kısımları kapsar.

6. KAYNAKLAR : Metinde parantez içerisindeki [1], [2] vb. rakamlarla numaralandırılmalı ve metin sonunda da eser içinde veriliş sırasına göre yazılmalıdır.

Kaynak bir makale ise: Yazarın soyadı adının baş harfi, tırnak içerisinde makalenin tam başlığı, derginin adı (varsa uluslararası kısaltmaları), cilt no: makalenin başlangıç ve bitiş sayfa no, (yıl)

Örnek: Sözen A., Özbaş E., Menlik T., Çakır M. T., Gürü M. and Boran K., ''Improving the thermal performance of diffusion absorption refrigeration system with alumina nanofluids'', International Journal of Refrigeration, 44: 73-80, (2014)

Kaynak bir kitap ise: Yazarın soyadı adının başharfi, tırnak içerisinde kitabın adı, cilt no, varsa editörü, yayınevinin adı, yayın no, yayınlandığı yer, (yıl).

Kaynak kitaptan bir bölüm ise: Bölüm yazarının soyadı adının başharfi, tırnak içerisinde bölümün adı, bölümün alındığı kitabın adı, yayınevinin adı, yayınlandığı yer, (yıl).

Kaynak basılmış tez ise: Yazarın soyadı adının baş harfi, tırnak içerisinde tezin adı, cinsi (yüksek lisans, doktora), sunulduğu üniversite ve enstitüsü, (yıl).

Kaynak kongreden alınmış tebliğ ise: Yazarın soyadı adının baş harfi, tırnak içerisinde tebliğin adı, kongrenin adı, yapıldığı yer, tebliğin başlangıç ve bitiş sayfa no, (yıl).

Kaynak bir standart ise: Standardın numarası, tırnak içerisinde standardın adı, (yıl).

7. ÇİZELGE VE ŞEKİLLER: Çizelge içermeyen bütün görüntüler (fotoğraf, çizim, diyagram, grafik, harita vs.) şekil olarak isimlendirilmelidir. Her bir çizelge ve şekil, metin içinde gireceği yere yerleştirilmelidir. Bütün şekiller metin içinde ardışık olarak numaralandırılmalıdır (Metin içerisinde kullanılan Çizelge ve Şekillerin tümünün ingilizceleri parantez içerisinde belirtilmelidir. Yazım dili İngilizce olan makalelerde, parantez içerisinde herhangi bir şey belirtilmemelidir. Tüm metin İngilizce olmaldır).

8. FORMÜLLER VE BİRİMLER: Metin içerisindeki tüm formüller equation formatında yazılmalıdır. Formüllere (1), (2) şeklinde sıra numarası verilmelidir. Tüm birimler SI birim sisteminde olmalıdır.

9. SİMGELER VE KISALTMALAR : Metin sonunda kaynaklardan önce verilebilir.

10. TEŞEKKÜR : Eğer kişi veya kurumlara teşekkür yapılacaksa bu kısımda yazılmalı ve kaynaklardan önce verilmelidir.

11. ETİK BEYANI : Dergimizde yayımlanacak makalelerde etik kurul izini ve/veya yasal/özel izin alınmasının gerekip gerekmediği belirtilmiş olmalıdır. Eğer bu izinlerin alınması gerekli ise, izinin hangi kurumdan, hangi tarihte ve hangi karar veya sayı numarası ile alındığı açıkça sunulmalıdır. Ayrıca çalışma insan ve hayvan deneklerinin kullanımını gerektiriyor ise çalışmanın uluslararası deklarasyon, kılavuz vb. uygun gerçekleştirildiği beyan edilmelidir. İzin alınmasının gerekmediği durumlar için TEŞEKKÜR bölümünden sonra aşağıdaki metin eklenmelidir.  

        Türkçe dilindeki makaleler için:
        ETİK STANDARTLARIN BEYANI
        Bu makalenin yazar(lar)ı çalışmalarında kullandıkları materyal ve yöntemlerin etik kurul izni ve/veya yasal-özel bir izin gerektirmediğini beyan ederler.


        İngilizce dilindeki makaleler için:
        DECLARATION OF ETHICAL STANDARDS
        The author(s) of this article declare that the materials and methods used in this study do not require ethical committee permission and/or legal-special permission.

12. YAZAR KATKILARININ BEYANI: Bu bölümde makalede adı geçen her bir araştırmacının makaleye olan katkısı belirtilmelidir.

13. ÇIKAR ÇATIŞMASININ BEYANI: Makale yazarları arasındaki çıkar çatışması durumu belirtilmelidir. Herhangi bir çıkar çatışması yoksa "Bu çalışmada herhangi bir çıkar çatışması yoktur" ibaresi yazılmalıdır.

YAYIN ETİĞİ BİLDİRİMİ
Yayın etiği, en iyi uygulama kılavuzlarını sağlamak ve bu nedenle derginin editörleri, yazarları ve hakemler tarafından uyulması açısından çok önemlidir. Politeknik Dergisi, COPE'nin Davranış Kuralları ve Dergi Editörleri İçin En İyi Uygulama Kılavuz İlkeleri (https://publicationethics.org/resources/code-conduct) tarafından açıklanan ilkelere uygundur ve sadece şeffaflık ilkeleri değil, aynı zamanda en iyi bilimsel uygulama Yayın Etik Kurulu (COPE) tarafından belirlenen kurallara uygun olan makaleleri yayınlar.

Baş Editör ve Alan Editörlerinin Görevleri
Tarafsızlık
Derginin baş editörü ve bölüm editörleri, dergiye gönderilen makalelerin hangisinin yayınlanması gerektiğine karar vermekten sorumludur. Bu süreçte yazarlar ırk, etnik köken, cinsiyet, din ve vatandaşlıklarına göre editörler tarafından ayırt edilmez. Editörlerin yayınlanacak bir makaleyi kabul etme, gözden geçirme veya reddetme kararları, yalnızca makalenin önemi, özgünlüğü ve açıklığına ve ayrıca makalede yapılan çalışmanın derginin kapsamına uygunluğuna dayanmaktadır.
Gizlilik
Baş editör ve bölüm editörleri, gönderilen bir makale hakkında herhangi bir bilgiyi başkasıyla paylaşmamalıdır. Ayrıca ilgili yazar, hakemler / muhtemel hakemler ve yayıncı personel tarafından açıklanmamalıdır. Editörler, yazarlar tarafından sunulan tüm materyallerin inceleme sürecinde gizli kalmasını sağlayacaktır.
Çıkar Çatışması ve Açıklama
Gönderilmiş bir makalede açıklanan yayınlanmamış materyaller, yazarın yazılı izni olmadan hiçbir hakemin kendi çalışmalarında kullanılmamalıdır. Hakem değerlendirmesi sürecinden elde edilen münhasır bilgi veya görüşler gizli tutulmalı ve kişisel çıkarlar için kullanılmamalıdır. Hakemler, rekabetçi, işbirlikçi veya makalelere bağlı yazarlar, şirketler veya kurumlardan herhangi biriyle olan diğer ilişkilerden / bağlantılardan kaynaklanan çıkar çatışmalarına sahip oldukları yazıları dikkate almamalıdır.
Akran inceleme süreci
Baş editör / bölüm editörleri, dergi sistemine gönderilen her bir yazı için çift kör bir akran inceleme sürecinin etkin bir şekilde yapılmasını sağlamalıdır.
Etik olmayan davranışların yönetimi
Editörler, yayıncılarla birlikte, gönderilen bir makale veya yayınlanan bir makale hakkında etik şikâyetler sunulduğunda rasyonel olarak duyarlı önlemler almalıdır.

Yazar(lar)ın Görevleri
Makalenin Yazarı
Tasarım, yorumlama ve uygulama dâhil olmak üzere bildirilen çalışmaya önemli bir katkı sağlayanlara daraltılmalıdır. Gönderilen yazıya önemli katkılarda bulunan tüm yazarlar ortak yazar olarak listelenmelidir.

Özgünlük ve intihal
Gönderdikleri makalenin içeriğinden, dilinden ve özgünlüğünden yazarlar sorumludur. Yazarlar, orijinal eserlerini tamamen oluşturduğunu ve yazarlar çalışmayı ve / veya diğer yazarların sözlerini kullanmışlarsa, bunun uygun bir şekilde alıntılandığını veya alıntı yapıldığını temin etmelidir. İntihal, bir başkasının makalesini yazarın kendi makalesi olarak göstermek, bir başkasının makalesinin önemli kısımlarını (atıfta bulunmadan) kopyalamak veya başka bir deyişle, başkaları tarafından yapılan araştırmaların sonuçlarını almaktan farklı biçimlerdedir. Tüm formlarındaki intihal, etik olmayan yayıncılık davranışını içerir ve kabul edilemez. Hakemlere bir makale gönderilmeden önce, intihal araştırması için iThenticate aracılığıyla benzerlik açısından kontrol edilir.

Fon kaynaklarının tanınması
Makalede bildirilen araştırma için tüm finansman kaynakları, referanslar öncesinde makalenin sonunda ayrıntılı olarak belirtilmelidir.

İfşa ve çıkar çatışmaları
Tüm yazarlar makalelerinde, makalelerinin bulgularını veya yorumunu etkilemek için yorumlanabilecek herhangi bir maddi veya diğer maddi çıkar çatışmasını açıklamalıdır. Proje için tüm finansal destek kaynakları da açıklanmalıdır. Açıklanan potansiyel çıkar çatışmaları örnekleri arasında istihdam, danışmanlıklar, hisse senedi mülkiyeti, onur, ücretli uzman tanıklığı, patent başvuruları / kayıtları ve hibeler veya diğer fonlar yer almaktadır. Potansiyel çıkar çatışmaları mümkün olan en erken aşamada bildirilmelidir.

Raporlama standartları
Makalenin yazarları, yapılan çalışmanın doğru bir açıklamasını ve önemi ile ilgili objektif bir tartışma sunmalıdır. Temel veriler, metinde doğru olarak verilmelidir. Bir makale, diğer araştırmacıların çalışmayı tekrar etmelerine izin vermek için yeterli ayrıntıyı ve referansları içermelidir. Zor veya bilerek kesin olmayan ifadeler etik olmayan davranışlar oluşturur ve kabul edilemez. İnceleme ve profesyonel yayın makaleleri de kesin olmalı, özgün ve objektif olmalı ve editoryal düşünce çalışmaları açıkça ifade edilmelidir.

Veri erişimi ve saklama
Yazarlardan editoryal inceleme süreci için bir makaleyle bağlantılı ham verileri sağlamaları istenebilir ve herhangi bir durumda, yayınlandıktan sonra belirli bir süre için bu verileri saklamaları gerekebilir.

Çoklu, gereksiz veya eşzamanlı yayın
Gönderilen makaleler başka herhangi bir dergiye gönderilmemiş olmalıdır. Aynı makaleyi aynı anda birden fazla dergiye göndermek etik olmayan yayıncılık davranışını içerir. Yazarlar ayrıca makalenin daha önce başka bir yerde yayınlanmadığından da emin olmalıdır.

Yayınlanmış çalışmalarda ana hatalar
Bir yazar yayınlanmış eserinde önemli bir hata veya yanlışlıkla karşılaştığında, dergi editörünü veya yayıncısına bu durumu derhal bildirmek ve makaleyi geri çekmek veya düzeltmek için editörle işbirliği yapmak yükümlülüğündedir.

Hakemlerin Görevleri
Hakemler, makale le ilgili görüşlerini tamamlayarak yorumlarını kendisine tanımlanan zaman içerisinde göndermelidir. Eğer makale, hakemin ilgi alanına uygun değilse, makale editöre geri gönderilmelidir, böylece diğer hakemler zaman kaybetmeden atanabilirler.

Katkı
Hakemler, hakemli bir dergi olan derginin kalitesine katkıda bulunan ana üyelerdir. Alınan makaleyi incelemesi için kalifiye olmayan hakemler derhal editöre bildirmeli ve bu makaleyi incelemeyi reddetmelidir.

Gizlilik
İnceleme için gönderilen yazılar gizli belgeler olarak değerlendirilmelidir. Editör tarafından yetkilendirilmedikçe başkalarıyla gösterilmemeli veya tartışılmamalıdır.

Nesnellik standartları
Yorumlar objektif olarak gerçekleştirilmelidir. Yazarın kişisel eleştirisi uygun değildir. Hakemler açıkça destekleyici argümanlarla görüşlerini ifade etmelidir.

Kaynakların tanınması
Hakemler, yazarlar tarafından alıntılanmayan yayınlanmış çalışmaları tanımlamalıdır. Bir gözlem, türetme veya argümanın daha önce bildirildiği herhangi bir ifadeye ilgili atıfta bulunulmalıdır. Bir gözden geçiren aynı zamanda editörün dikkatini, ele alınan yazı ile kişisel bilgileri olan yayınlanmış diğer herhangi bir makale arasında hayati bir benzerlik ya da çakışma olduğuna dikkat etmelidir.

İfşa ve çıkar çatışması
Hakemler, rekabetçi, işbirlikçi veya yazılarla bağlantılı yazarlar, şirketler veya kurumlarla yapılan diğer ilişkilerden / bağlantılardan kaynaklanan çıkar çatışmalarına sahip oldukları makaleleri dikkate almamalıdır.

DERGİ POLİTİKASI
Makale Değerlendirme Süreci
Hakem Davetinin Geçerlilik Süresi : 30 gün
Hakem Daveti İçin Verilen Ekstra Süre : 15 gün
Hakemin Makaleyi Değerlendirme Süresi : 21 gün
Yazarın Düzeltmelerini Gerçekleştirmesi İçin Verilen Süre : 30 gün
Makale Değerlendirmesi İçin Hakeme Verilen Ekstra Süre : 7 gün

Ücret Politikası
Dergimize gönderilen makalelerin değerlendirilmesi/basılması gibi süreçlerde yazarlardan herhangi bir ücret talep edilmemektedir. 

Makale Geri Çekme Süreci
Yayımlanmış bir makalenin geri çekilmesi işlemi ilgili makalenin tüm yazarlarının ortak talebine istinaden yapılmaktadır. Geri çekilen makaleye ait bilgiler yazar(lar)ın editörlüğümüze başvurduğu tarihten sonra yayımlanacak ilk sayımızda GERİ ÇEKME(RETRACTION) başlığı altında bildirilir. 

Politeknik Dergisi makale gönderimi veya basım aşamasında herhangi bir ücret talep etmemektedir.

Atıf Dizinleri

Google Scholar
TR Dizin
Emerging Sources Citation Index (ESCI)
Thomson Reuters / Clarivate Analytics
EBSCO
SOBIAD

Genel Yayın Yönetmeni

Musa ATAR

Baş Editör

Adnan Sözen
Adnan SÖZEN

  
Enerji Sistemleri Mühendisliği, Enerji

Editörler

Murat Tolga ÖZKAN
Serhat KARYEYEN

Editör Yardımcıları

Fatih Emre BORAN
Volkan YILMAZ

Editör Asistanı

Erdem ÇİFTÇİ

Editörler Kurulu

Hülya DURMUŞ
Hüseyin PEKER
İhsan TOKTAŞ
Zafer AYAZ
Nihat OZTURK
O. Ayhan ERDEM
Figen BALO
Mustafa ÖZER
Orhan KAPLAN
Mustafa Bahadır ÖZDEMİR
Hacı Bayram KARADAĞ
İsmail AYDIN
İhsan KORKUT
Halil DEMİR
Melih OKUR
Ahmet GÜRAL
Kasım SERBEST
Murat YÜCEL
Emine Özge KARACA
Cemil ÇETİNKAYA
Volkan YILMAZ
Fatih Emre BORAN

Yayın Danışma Kurulu

Mehmet ESEN
İlker USTA
Ulvi ŞEKER
Murat HOŞÖZ
Hüseyin Rıza BÖRKLÜ
Mustafa AKTAŞ
Mehmet DEMİRTAŞ
Günnur KOCAR
Engin ÖZDEMİR
Ayhan ÖZÇİFÇİ
H. Serdar YÜCESU
Tayfun MENLİK
Metin GÜRÜ
Sare SAHİL
Erol KURT
Ramazan BAYINDIR
Ebru AKPINAR
Ramazan YILMAZ
Prof. Dr. Yasin VAROL
Nadire Şule ATILGAN
Ramazan KÖSE
Erol ARCAKLIOĞLU
Metin İPEK
Dilek KUMLUTAŞ
İshak KARAKAYA
Jamal KHATİB
Musa ATAR

Teknik Sorumlu

Şulenur ASAL
İrem KARAASLAN
Coşkun YÜKSEL

Yayın Etiği Kurulu

Murat Tolga ÖZKAN
Erdem ÇİFTÇİ
Serhat KARYEYEN
 
TARANDIĞIMIZ DİZİNLER (ABSTRACTING / INDEXING)
181341319013191 13189 13187 13188 18016 

download Bu eser Creative Commons Atıf-AynıLisanslaPaylaş 4.0 Uluslararası ile lisanslanmıştır.