Tarımda Günlük Akaryakıt İhtiyacının Makine Öğrenmesi İle Tahminlenmesi

Tarımsal faaliyetler için kullanılan akaryakıt miktarı çeşitli etkilere göre değişim göstermektedir. Gelecekte kullanılacak olan akaryakıtın tahmin edilmesi, dağıtım firmalarının stok takibi veya lojistik ihtiyacını iyileştirmesinde katkı sağlayabilmektedir. Bu tez çalışmasında, bir sonraki güne ait akaryakıt kullanımı olup olmayacağı araştırılmış ve akaryakıt tahminleme için makine öğrenmesi algoritmaları kullanılarak karşılaştırmalı olarak analiz edilmiştir. Bunun yanı sıra, akaryakıt kullanımını etkileyen dış etkiler araştırılmıştır. Bu dış etkilerin (örn. hava durumu, akaryakıt ücreti) çiftçilerin aldığı akaryakıt miktarını etkileyip etkilemediğini görmek adına havanın yağmurlu olup olmadığı, akaryakıtın indirim veya zam alıp almadığı, hava sıcaklığındaki değişim gibi değerler veri kümesine eklenerek etkileri gözlemlenmiştir. Akaryakıt ücretlerine oluşan değişimlerin, bir sonraki gün alımlarında yüksek oranda etkisi olduğu, ayrıca yağmur yağış bilgisinin de önemli bir özellik olduğu tespit edilmiştir. Analizlerde K-en yakın komşu (K-Nearest neighbors), karar ağaçları regresyon (decision tree regression), karar ağaçları sınıflandırması (decision tree classifier), lojistik regresyon (logistic regression), destek vektör makinesi (support vector machine), rassal orman sınıflandırması (random forest classifier), sinir ağı (neural network) ve ekstrem artırılmış gradyan (Extreme Gradient Boosting, XGB) makine öğrenmesi algoritmaları uygulanmıştır. Algoritmaların kıyaslanmasında doğruluk, duyarlılık, kesinlik ve f1 skoru değerleri kullanılmıştır. Sonuçların doğruluğu için hata matrisleri kontrol edilmiştir. Buna göre en yüksek doğruluk skorunu XGB algoritması %82,514 skor ile olmuştur. Bu bağlamda, oluşturulan veri kümesinin ve önerilen veri zenginleştirme yöntemlerinin makine öğrenmesi algoritmalarına uyarlanabilir olduğu sonucuna ulaşılmıştır.