CREDIT CONSUMPTION ESTIMATION AND COMPARATIVE APPLICATION WITH TIME SERIES ESTIMATION ALGORITHMS

Dijital dönüşümün hızla yaygınlaşması ile işlenen verilerin boyutları ve hacimleri de artmıştır. Büyük verileri işlemek, doğruluğu yüksek analizleri kısa sürede ve daha az kaynak kullanarak yapmak için yeni yöntem ve algoritmalar geliştirilmiştir. Bu çalışmada makine öğrenmesi ve derin öğrenme tekniklerinden ARIMA (Otoregresif Entegre Hareketli Ortalama), SARIMA (Mevsimsel ARIMA), Prophet (Facebook), XGBoost (En Büyük Eğim Artırma), LSTM (Uzun-Kısa Süreli Bellek), RNN (Yinelemeli Sinir Ağı) ve GRU (Geçitli Tekrarlayan Birim) algoritmaları kullanılarak tüketicilerin kontör tüketimleri zaman serileri yardımıyla tahmin edilmeye çalışılmıştır. Modelleri karşılaştırmak için MAE (Ortalama Mutlak Hata), MAPE (Ortalama Mutlak Yüzde Hata), RMSE (Kök Ortalama Karesel Hata) ve Determinasyon Katsayısı (R^2) kullanılmıştır. Elde edilen ölçüm sonuçlarına göre zaman serileri tahminlemesinde derin öğrenme tekniklerinin makine öğrenmesi yöntemlerine göre daha iyi sonuçlar verdiği gözlemlenmiştir. Çalışmada zaman serileri tahminlemesi üzerine dokuz farklı makine ve derin öğrenme yöntemi kullanılarak kapsamlı bir inceleme yapılmıştır. Literatürdeki benzer çalışmalar ile kıyaslandığında bu çalışmada konu oldukça geniş bir perspektiften incelenmiştir.