Comparison of Computational Intelligence Models on Forecasting ATM Demands

مرکز و کتابخانه مطالعات اسلامی به زبان های اروپایی

منو

" Comparison of Computational Intelligence Models on Forecasting ATM Demands "
Gültekin, Onur Gürkan Alkaya, Ali Fuat

Document Type	:	Latin Dissertation
Language of Document	:	English
Record Number	:	1109503
Doc. No	:	TLpq2473241114
Main Entry	:	Alkaya, Ali Fuat
	:	Gültekin, Onur Gürkan
Title & Author	:	Comparison of Computational Intelligence Models on Forecasting ATM Demands\ Gültekin, Onur GürkanAlkaya, Ali Fuat
College	:	Marmara Universitesi (Turkey)
Date	:	2019
student score	:	2019
Degree	:	Master's
Page No	:	74
Abstract	:	ATM'lerin (Otomatik Para Çekme Makineleri) kullanımı, insanların ihtiyaç duyduklarında anında nakit paraya ulaşmaları için çok önemlidir. Müşterilerin bu talebini karşılamak için bankalar, ATM’lerin ne zaman ziyaret edilmesi ve ne kadar bakiye yüklenmesi gerektiğini belirlemelidir. Bu durumda, cevaplanması gereken ilk soru, önümüzdeki günlerde ATM’lerden ne kadar para çekileceğinin tahmin edilmesidir. Bu çalışmada, işlemsel zeka tekniklerinden faydalanıp geçmiş nakit çekim işlemlerini ve bilgilerini kullanarak, bu soruna bir çözüm üretiyoruz. Bu çalışma, geçmişte yapılan NN5 yarışmasında kullanılan İngiltere bankalarından alınan ATM verilerine kıyasla, Türkiye'nin en büyük bankalarından birinden alınan ATM verilerinin desenlerinin oldukça uçucu olması misyonumuzun zor bir görev olduğunu göstermektedir. Klasik zaman serileri tahmin modellerinin, İngiltere'den alınan ATM verileri üzerinde gayet iyi sonuçlar üretmesine rağmen, bizim ATM verilerimizde iyi performans gösterememelerinin nedeni de budur. Bu gerçeği göz önünde bulundurarak, en iyi performans gösteren modelleri bulmak için parametre alanını kapsamlı bir şekilde araştırarak farklı işlemsel zeka modelleri oluşturduk ve doğruluk ve zaman performans sonuçlarına göre detaylı karşılaştırmayı sunduk. Sonuçlar, SVM’den (Destek Vektör Makineleri) uyarlanan SVR'nin (Destek Vektör Regresyonu) ve evrensel tahminleyiciler olarak bilinen ANN’nin (Yapay Sinir Ağları) diğerlerinden çok daha iyi performans ortaya koyduğunu göstermektedir. Öte yandan, parametre ağırlıklarını güncellemek için doğrudan gradyan hesaplamaları yerine gradyan tahminlemelerini kullanan SPSA (Eşzamanlı Pertürbasyon Stokastik Yaklaşımı), gelecekteki iyileştirmeler için iyi bir işaret olacağına dair umut verici bir performans göstermektedir.
Subject	:	Artificial intelligence
	:	Computer engineering
	:	Information technology
	:	Management
	:	Public administration
	:	Public policy