Gradyan artırma yöntemleriyle bisiklet paylaşım talebini tahminleme
Zeliha Ergül Aydın, Banu İçmen Erdem, Zeynep İdil Erzurum ÇiçekEskişehir Teknik Üniversitesi, Mühendislik Fakültesi, Endüstri Mühendisliği, EskişehirBisiklet paylaşım sistemlerinin artan popülaritesi, talebi doğru tahmin etme ihtiyacını artırmıştır. Bu çalışma, bisiklet paylaşım sistemlerinde talebi tahmin etmek için gradyan artırma yöntemlerinin kullanımını araştırmaktadır. Bu amaçla, XGBoost, LightGBM ve CatBoost gradyan artırma algoritmalarını kullanarak bisiklet paylaşım talebini tahmin etmek için bir yöntem önerilmektedir. Önerilen yöntem Konya ve Washington, D.C. olmak üzere iki gerçek dünya veri setine uygulanmıştır. Her iki veri setinde de hava koşulları ve günün belirli özellikleri gibi bilgiler yer almaktadır Geçmiş veriler üzerinde bir gradyan artırma modeli eğiterek, gelecekteki bisiklet paylaşımı talebine ilişkin son derece doğru tahminler yapılabilmektedir. Tüm gradyan artırma modelleri en iyi hiperparametre kümeleriyle eğitildiğinde; CatBoost, XGboost ve LightGBM'den daha iyi performans göstermiştir.
Anahtar Kelimeler: Bisiklet paylaşım talebi, gradyan artırma, tahminleme, makine öğrenmesiPrediction bike-sharing demand with gradient boosting methods
Zeliha Ergül Aydın, Banu İçmen Erdem, Zeynep İdil Erzurum ÇiçekDepartment of Industrial Engineering, Eskisehir Technical University, Eskisehir, TurkeyThe increasing popularity of bike-sharing systems has led to a growing demand for accurate demand prediction methods. This study explores the use of gradient-boosting methods for predicting demand for bike-sharing systems. In this paper, we propose a method for predicting bike-sharing demand using gradient boosting algorithms XGBoost, LightGBM, and CatBoost. This study examined two real-world data sets, one for Konya and the other for Washington, D.C. Both of the datasets include information such as weather conditions, and specific characteristics of the day. We make highly accurate predictions of future bike-sharing demand by training a gradient-boosting model on historical data. CatBoost outperforms XGboost and LightGBM when all gradient boosting models are trained with the best hyperparameter sets.
Keywords: Bike-sharing demand, gradient boosting, prediction, machine learningSorumlu Yazar: Banu İçmen Erdem, Türkiye
| ARAÇLAR |
 Tam Metin PDF Yazdır Alıntıyı İndir RIS EndNote BibTex Medlars Procite Reference Manager E-Postala Paylaş Yazara e-posta gönder
Benzer makaleler Google Scholar |