Sürdürülebilir Kalkınma Amaçları
Yayınlar
- MakaleAçık Erişim2024Scopus SJRQ2Hybrid Deep Learning Model for Earthquake Time Prediction
Utku, Anıl; Akcayol, Muhammet Ali
Earthquakes are one of the most dangerous natural disasters that have constantly threatened humanity in the last decade. Therefore, it is extremely important to take preventive measures against earthquakes. Time estimation in these dangerous events is becoming more specific, especially in order to minimize the damage caused by earthquakes. In this study, a hybrid deep learning model is proposed to predict the time of the next earthquake to potentially occur. The developed CNN+GRU model was compared with RF, ARIMA, CNN and GRU. These models were tested using an earthquake dataset. Experimental results show that the CNN+GRU model performs better than others according to MSE, RMSE, MAE and MAPE metrics. This study highlights the importance of predicting earthquakes, providing a way to help take more effective precautions against earthquakes and potentially minimize loss of life and material damage. This study should be considered an important step in the methods used to predict future earthquakes and supports efforts to reduce earthquake risks.
AtıfScopus6WoS5TR Dizin4
İncele - MakaleAçık Erişim2023Deep Learning Based Traffic Density Prediction: A Case Study for Istanbul
Utku, Anıl
Traffic density prediction is important for users to make better travel decisions, reduce traffic congestion, save time and fuel, and increase traffic processing efficiency. With the development and widespread use of intelligent transportation systems, traffic density prediction has received more and more attention. Traffic density prediction is heavily dependent on historical and real-time traffic data. Large amounts of traffic data are obtained instantly from sources such as sensors, cameras, mobile devices and social media. Increasing traffic data reveals the use of artificial intelligence technologies to solve the traffic management problem. In this study, an LSTM-based prediction model has been developed for traffic density prediction. The developed prediction model has been tested using traffic data of Istanbul with LR, RF, SVM, MLP, CNN and RNN. Experimental results showed that the developed LSTM-based model has more successful results than the compared models. The developed model had approximately 0.9 R2 value in predicting the number of vehicles and average speed.
AtıfOpenAlex3İncele - MakaleAçık Erişim2023KOBİ’lerin Ekonomiye Sağladıkları Katkının Tahmini İçin Derin Öğrenme Tabanlı Model
Akcayol, M. Ali; Utku, Anıl; Sevinç, Ali
Küçük ve Orta Büyüklükteki İşletme (KOBİ)'ler, sermayesi, işgücü ve varlıkları, ulusal yönetmeliklere göre belirlenen eşik değerlerin altında olan özel sektör işletmeleridir. KOBİ'ler, özellikle gelişmekte olan ülkelerde olmak üzere dünyadaki çoğu ülkenin ekonomisinde önemli rol oynamaktadır. Dünya genelinde işletmelerin yaklaşık %90'ını oluşturan KOBİ'ler, istihdamın %50'sinden fazlasını sağlamaktadır. Ülke ölçeğinde KOBİ’lerin ekonomiye katkılarının tahin edilmesi planlama ve yatırım açısından oldukça önemlidir. Bu çalışmada, KOBİ’lerin ekonomiye sağladıkları katkının tahminine yönelik derin öğrenme tabanlı bir model geliştirilmiştir. Geliştirilen LSTM tabanlı derin öğrenme modelinin sonuçları, RF, SVM, CNN, MLP, RNN ve GRU ile karşılaştırılmıştır. Deneysel sonuçlar, geliştirilen derin öğrenme modelinin 2,169 MSE, 1,473 RMSE, 1,175 MAE ve 0,959 R2 değeri ile karşılaştırılan diğer modellerden daha başarılı tahmin performansına sahip olduğunu göstermiştir.
- MakaleAçık Erişim2023Kentsel Trafik Tahminine Yönelik Derin Öğrenme Tabanlı Verimli Bir Hibrit Model
Utku, Anıl
Trafik yoğunluğu problemi, kentsel hayatın en önemli sorunlarından biri haline gelmiştir. Trafik yoğunluğu sebebiyle harcanan zaman ve yakıt, araç kullanıcıları ve ülkeler için önemli bir kayıptır. Trafikte geçen zamanı azaltmak amacı ile geliştirilen uygulamalar, uzun vadeli trafik yoğunluğu hakkında başarılı tahminlerde bulunamamaktadır. Kameralar, sensörler ve mobil cihazlar üzerinden elde edilen trafik verileri, trafik yönetimi sorununu çözebilmek amacıyla yapay zekâ teknolojilerinin kullanımını ön plana çıkarmaktadır. Bu çalışmada, trafik yoğunluk tahminine yönelik Convolutional Neural Network (CNN) ve Recurrent Neural Network (RNN) modelleri kullanılarak hibrit bir tahmin modeli geliştirilmiştir. Çalışmada, CNN ve RNN'in öne çıkan özelliklerinden faydalanmak amaçlanmıştır. CNN, özellik çıkarma aşamasında, RNN ise sıralı zaman serisi verileri üzerinde öğrenme ve tahmin için etkili bir modeldir. Bu yöntemler hibrit bir şekilde kullanılarak tahmin doğruluğunun arttırılması amaçlanmıştır. İstanbul Büyükşehir Belediyesi tarafından sunulan saatlik trafik yoğunluğu veri seti kullanılmıştır. Kullanılan veriseti 2321 farklı nokta için 2020 Ocak ile 2020 Aralık tarihleri arasındaki trafik yoğunluk bilgisini içermektedir. Geçen araç sayısı, Bağcılar Avrupa Otoyolu kavşağında daha yüksek olduğu için bu konum deneysel çalışmalarda kullanılmıştır. Seçilen konum için 9379 satır araç bilgisi bulunmaktadır. Geliştirilen hibrit model Linear Regression (LR), Random Forest (RF), Support Vector Machine (SVM), Multilayer Perceptron (MLP), CNN, RNN ve Long-Short Term Memory (LSTM) ile İstanbul’un 2020 yılına ait trafik verileri kullanılarak test edilmiştir. Deneysel sonuçlar, önerilen hibrit modelin karşılaştırılan modellere göre daha başarılı sonuçlara sahip olduğunu göstermiştir. Önerilen model kavşaktan geçen araç sayısı tahmininde 0,929 R2 değerine, kavşaktan geçen araçların ortalama hızlarının tahmininde ise 0,934 R-Squared (R2) değerine sahip olmuştur.
AtıfOpenAlex1TR Dizin1İncele - MakaleAçık Erişim2023Scopus SJRQ4Deep Learning Based Classification for Hoverflies (Diptera: Syrphidae)
Utku, Anıl; Ayaz, Zafer; Ciftci, Derya; Ali Akcayol, M.
Syrphidae is essential in pollinating many flowering plants and cereals and is a family with high species diversity in the order Diptera. These family species are also used in biodiversity and conservation studies. This study proposes an image-based CNN model for easy, fast, and accurate identification of Syrphidae species. Seven hundred twenty-seven hoverfly images were used to train and test the developed deep-learning model. Four hundred seventy-nine of these images were allocated to the training set and two hundred forty-eight to the test dataset. There are a total of 15 species in the dataset. With the CNN-based deep learning model developed in this study, accuracy 0.96, precision 0.97, recall 0.96, and f-measure 0.96 values were obtained for the dataset. The experimental results showed that the proposed CNN-based deep learning model had a high success rate in distinguishing the Syrphidae species.
AtıfScopus3WoS3OpenAlex3TR Dizin1İncele - MakaleYalnız künye2023Scopus SJRQ2New Deep Learning-Based Passenger Flow Prediction Model
Utku, Anıl; Kaya, Sema Kayapinar
The ability to predict passenger flow in transport networks is an important aspect of public transport management. It helps improve transport services, aids those responsible for management to obtain early warning signals of emergencies and unusual circumstances and, in general, makes cities smarter and safer. This paper develops a long short-term memory-based (LTSM-based) deep learning model to predict short-term transit passenger volume on transport routes in Istanbul. This prediction model has been created using a dataset that included the number of people who used different transit routes in Istanbul at one-hour intervals between January and December 2020. The proposed multilayer LSTM-based deep learning model has been compared with popular models such as random forest (RF), support vector machines, autoregressive integrated moving average, multilayer perceptron, and convolutional neural network. The experimental findings showed that the proposed multilayer LSTM-based deep learning model outperformed the other models with regard to prediction for each transfer route. Furthermore, RF, one of the machine learning models used, produced remarkably successful results.
AtıfScopus19WoS12OpenAlex16İncele - MakaleYalnız künye2023Scopus SJRQ1A long short-term memory-based hybrid model optimized using a genetic algorithm for particulate matter 2.5 prediction
Utku, Anıl; Can, Ümit; Kamal, Mustafa; Das, Narasingha; Cifuentes-Faura, Javier; Barut, Abdulkadir
Beijing, Shanghai, Singapore, and London are regions with high population density and industrial activities. In this sense, accurate prediction of the rate of particulate matter 2.5 (PM_2.5), one of the most important air pollutants, is very important for creating a healthy ecological system. This study proposes a hybrid method to predict PM_2.5 with high success. This method aims to optimize the Long Short-Term Memory (LSTM) deep learning model, which successfully solves time series problems with a Genetic Algorithm (GA). Here, the hyperparameters of the LSTM model, such as the number of layers, number of neurons, number of epochs, and kernel size, are optimized to achieve the highest prediction rate. Against this backdrop, the present study uses for the first time a hybrid GA-LSTM model to predict PM_2.5 concentrations in Beijing, Shanghai, Singapore, and London. The Beijing dataset consists of 13 attributes, the Shanghai dataset consists of 10 attributes, the London dataset consists of 5 attributes, and the Singapore dataset consists of 7 attributes. In this study, input variables such as PM_2.5, DEWP, TEMP, PRESS, WS, WD, PRE, Snowfall hours, Rain hours, and Season were used. To assess the effectiveness of this hybrid method, the developed GA-LSTM model was compared with k-Nearest Neighbors (kNN), Random Forest (RF), Support Vector Regression (SVR), Extreme Gradient Boosting (XGBoost), Convolutional Neural Networks (CNN), LSTM, and Gated Recurrent Units (GRU). Experimental results showed that GA-LSTM outperformed the compared models. In addition, one of the best results was obtained compared to other models in the literature.
AtıfScopus17OpenAlex18İncele - MakaleYalnız künye2023Scopus SJRQ2Detection of hateful twitter users with graph convolutional network model
Utku, Anıl; Can, Umit; Aslan, Serpil
Today, hate speech is widespread and persistent in various forms on social networking platforms, targeting different minority groups. These attacks can be carried out using various factors such as racial, religious, gender, and physical disability, etc. Considering the number of people and their interactions, social networks are the most important channels through which these discourses spread. The social network structure is considered a set of nodes and edges and is very suitable for the graph structure. The multidimensional structure of social networks carries social network data from Euclidean space to non-Euclidean space. In non-Euclidean space, the graph structure is used to represent data effectively. In this respect, solving the hate speech problem with graph-based methods in a complex dimensional space can produce more impressive results. In this study, a powerful method based on the Graph Convolutional Network (GCN) model, which is rarely used in this field, was proposed for the detection of hateful Twitter users in social networks. Well-known machine learning methods were used to measure the performance of this method. According to the results obtained, the proposed GCN model gave the most successful result.
AtıfScopus15WoS10OpenAlex16İncele - MakaleYalnız künye2023Scopus SJRQ2Deep learning based an effective hybrid model for water quality assessment
Utku, Anıl; Utku, Esen Damla; Kutlu, Banu
Water, which is very important for life and civilizations on Earth, has been a source of life for all living things. However, freshwater resources gradually decrease due to climate change, pollution, and population growth. Water pollution is the quality changes that occur due to various activities of people, change the chemical, biological, and physical properties of water, restrict or prevent its use, and disrupt ecological balances. The water quality criteria determined to keep this pollution under control ensure the safe use of water. Water quality observations have gained more importance today due to intense environmental concerns and water pollution. This situation revealed the necessity of water quality assessment for water source use. In this study, the CNN-LSTM-based hybrid model was proposed to assess water quality. The proposed model was compared with AdaBoost, DT, GNB, kNN, LGBM, RF, and LSTM according to accuracy, precision, recall, F-score, and AUC. The proposed model has 98.81% accuracy, 99.03% precision, 99.65% recall, 99.33% F-score, and 93% AUC. Practitioner Points: CNN-LSTM hybrid model was developed to water quality assessment. The proposed model is compared with established techniques like AdaBoost, DT, GNB, kNN, LGBM, RF, and LSTM. The developed model has 98.81% classification accuracy. Experimental results show that the developed model will ensure the use of safe water according to water quality criteria.
AtıfScopus7WoS4OpenAlex8
İncele - MakaleAçık Erişim2022Covid-19'un Yayılım Tahminine Yönelik Makine Öğrenmesi ve Derin Öğrenme Tabanlı Karşılaştırmalı Bir Analiz Türkiye İçin Örnek Bir Çalışma
Utku, Anıl; Can, Umit
Salgınlar tarih boyunca çeşitli zaman dilimlerinde ortaya çıkmış ve insan topluluklarına ciddi zararlar vermiştir. Günümüzde ise bu salgınların modern versiyonu Covid-19 milyonlarca insanın hayatını kaybetmesine ve bir o kadarının da sağlık sorunları yaşamasına yol açmıştır. Tüm dünya, altyapı, finans, veri kaynakları, koruyucu donanımlar, hayati risk tedavileri ve diğer birçok kaynak açısından bu ölümcül hastalığın yayılmasına karşı mücadele etmek için inanılmaz çaba sarf etmektedir. Araştırmacılar ülke çapında paylaşılan verileri kullanarak bu salgın durumunu analiz etmek için matematiksel modeller geliştirmektedirler. Ülkeler salgın hızına bağlı olarak bu salgınla mücadele etmeye çalışmaktadırlar. Bu çalışmada Türkiye özelinde vaka ve ölüm sayılarının tahmin edilmesi için LSTM tabanlı bir tahmin modeli oluşturulmuştur. Bu modelin tahmin başarısını ölçmek için RF, SVM, XGBoost, MLP, CNN ve RNN olmak üzere popüler derin öğrenme yöntemleri dâhil altı makine öğrenmesi yöntemi kullanılmıştır. MSE, RMSE, MAE ve R2 metrikleri cinsinden elde edilen sonuçlara göre vaka ve ölüm sayılarının tahmininde en başarılı model LSTM olmuştur.
AtıfOpenAlex1TR Dizin1İncele - MakaleAçık Erişim2022Deep Learning Based Air Quality Prediction: A Case Study for London
Utku, Anıl; Can, Umit
Although states take various measures to prevent air pollution, air pollutants continue to exist as an important problem in the world. One air pollutant that seriously affects human health is called PM2.5 (particles smaller than 2.5 micrometers in diameter). These particles pose a serious threat to human health. For example, it can penetrate deep into the lung, irritate and erode the alveolar wall and consequently impair lung function. From this, the event PM2.5 prediction is very important. In this study, PM2.5 prediction was made using 12 models, namely, Decision Tree (DT), Extra Tree (ET), k-Nearest Neighbourhood (k-NN), Linear Regression (LR), Random Forest (RF), Support Vector Machine (SVM), Extreme Gradient Boosting (XGBoost), Multi-Layer Perceptron (MLP), Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), Gated Recurrent Unit (GRU), and Long Short-Term Memory (LSTM) models. The LSTM model developed according to the results obtained achieved the best result in terms of MSE, RMSE, MAE, and R2 metrics.
AtıfOpenAlex7İncele - MakaleYalnız künye2022Machine Learning-Based Effective Malicious Web Page Detection
Utku, Anıl; Can, Umit
The use of the Internet is becoming more and more widespread day by day, putting millions of users at risk of cyberattacks. Especially during the Covid-19 epidemic, internet usage has increased significantly and various cyber-attacks have been made through malicious websites. With these attacks, much information such as people’s private information, bank information, and social information can be captured. Many methods have been developed to prevent cyber-attacks. In particular, methods that use machine learning methods other than traditional methods give more successful results. In this study, it has been tried to automatically detect malicious websites by using the URL properties of malicious websites. For this purpose, popular machine learning methods such as DT, kNN, LightGBM, LR, MLP, RF, SVM, and XGBoost were used. According to the experimental results, the RF algorithm achieved 96% accuracy.
- MakaleAçık Erişim2022Covid-19 Aşılama Sürecinin Tahminine Yönelik Derin Öğrenme Tabanlı Bir Model
Utku, Anıl; Can, Ümit
Covid-19 pandemisi, insanlığın son zamanlarda karşılaştığı en büyük zorluklardan biridir. Henüz tedavi edici bir ilaç geliştirilemediği için tüm dünyayı sosyal ve ekonomik anlamda olumsuz etkilemektedir. Covid-19’un etkilerini ve vücutta bıraktığı hasarı en aza indirmek için farklı aşı çalışmaları yapılmıştır. Dünya genelinde insanlar aşılanarak salgının seyri kontrol altına alınmaya çalışılmaktadır. Bu noktada kullanılacak günlük aşı miktarının belirlenmesi, ihtiyaç duyulacak aşı ve enjektör gibi malzemelerin miktarına ve bunlarla beraber sağlık hizmetlerinin planlanmasına kadar önemli birçok alanda belirleyici olacaktır. Bununla birlikte birçok araştırmacı, virüs yayılım modeli oluşturmak ve Covid-19'un gidişatını tahmin etmek için farklı tahmin yöntemleri önermiştir. Bunlar arasında yapay zekâya dayalı yöntemler en ilgi çekici ve yaygın olarak kullanılan yöntemlerdir. Bu çalışmada, dünyada en yüksek aşılama oranına sahip ilk 20 ülke için günlük yapılan aşı sayılarının tahmin edilmesi amaçlanmıştır. Bu amaçla DT, kNN, LR, RF, SVM, MLP, CNN, RNN ve geliştirilen LSTM tabanlı derin öğrenme modelinin karşılaştırmalı bir analizi sunulmuştur. Uygulanan modeller için RMSE, MAE ve R2 metriklerine göre elde edilen deneysel sonuçlar karşılaştırmalı olarak analiz edilmiştir. Deneysel sonuçlar, geliştirilen LSTM tabanlı modelin uygulanan ülkelerin tamamına yakınında 0.90’ın üzerinde R2 değerine sahip olduğunu göstermiştir
AtıfOpenAlex1İncele - MakaleAçık Erişim2022Trafik Kazalarının Makine Öğrenmesi Yöntemleriyle Analizi ve Tahmini: Kahramanmaraş İçin Örnek Bir Çalışma
Utku, Anıl; Yucesan, Melih; Bolat, Hüseyin
Dünyada her yıl 1 milyonun üzerinde ölümlü, 50 milyona yakın yaralanmalı trafik kazası meydana gelmektedir. Bu kazalarda ortalama her 2 saniyede bir trafik kazası yaşanırken her 50 saniyede bir ölümcül kaza ile sonuçlanmaktadır. Bu çalışmada, 2017 ile 2020 yılları arasında Kahramanmaraş il merkezi ve ilçelerinde gerçekleşen 28 adet öznitelikten oluşan 7929 adet trafik kazası makine öğrenme teknikleri ile analiz edilmiştir. Trafik kazalarının analizinde sınıflandırma, birliktelik kuralı ve görsel karşılaştırma yöntemleri kullanılmıştır. Sınıflandırma için NB, SVM, kNN, PART, AdaboostM1, J48 ve RF algoritmaları kullanılmıştır. Trafik kazalarının sınıflandırılmasında J48 algoritması en başarılı sonuçları elde etmiştir. Naive Bayes algoritmasının başarı düzeyi kötü olmasa da diğer algoritmalara oranla daha düşük kalmıştır. Tüm yöntemlerin ortak sonucu gelecekte yaşanabilecek ölümle ve yaralanmalı potansiyel kazaların daha çok sabah saat 04:00 ile 08:00 ve akşam saat 16:00 ile 20:00 arasında, Kahramanmaraş il merkezi ve Onikişubat ilçesinde yerleşim yeri içerisinde, Göksun ilçesindeki yerleşim yeri dışındaki eğimli ve virajlı yollarda ve Pazarcık ilçesindeki yerleşim yeri dışındaki bölünmüş yollarda yaşanma riskinin yüksek olduğu belirlenmiştir. Ayrıca meydana gelen kazalarda sürücülerin trafik ve hız kurallarına uymadığı, trafik lambası, trafik levhası, yaya yolu, emniyet şeridi ve banket gibi yol, çevre ve güvenlik ekipmanlarının yetersiz kaldığı belirlenmiştir.
AtıfOpenAlex2TR Dizin2İncele - MakaleAçık Erişim2022Scopus SJRQ1DEEP LEARNING BASED A COMPREHENSIVE ANALYSIS FOR WASTE PREDICTION
Utku, Anıl; Kaya, Sema Kayapinar
In its simplest definition, waste can be defined as any substance that is used, not needed and causes harm to the environment. Waste management covers control activities such as prevention of the formation of waste, reuse, separation according to its characteristics and type, storage, transportation, recycling and disposal. The main purpose of waste management is to leave a livable world to future generations, to create a sustainable environment, to protect natural resources, to save energy and costs, to reduce the rate of pollution and the amount of hazardous waste. In today's world where urbanization and industrialization rates are increasing, waste management is gaining importance. The aim of this study is to utilize waste data from Istanbul, Turkey's largest and fastest growing city, to estimate waste amount using a constructed Long Short-Term Memory (LSTM) based deep learning model. The developed LSTM-based model has been compared in practice with k-Nearest Neighbors (kNN), random forest (RF), Support Vector Machine (SVM), multi-layered perceptron (MLP) and Gated Recurrent Unit (GRU). As a result of the comparative and comprehensive analyzes, the experimental results showed that the developed LSTM-based deep learning method is more successful in the waste prediction problem than the other compared models.
AtıfScopus13OpenAlex13İncele - MakaleAçık Erişim2022Scopus SJRQ1MULTI-LAYER PERCEPTRON BASED TRANSFER PASSENGER FLOW PREDICTION IN ISTANBUL TRANSPORTATION SYSTEM
Utku, Anıl; Kaya, Sema Kayapınar
Predicting passenger movement in transportation networks is a critical aspect of public transportation systems. It allows for a greater understanding of traffic patterns, as well as efficient system evaluation and monitoring. It could also help with precise timing to emergencies or important events, as well as the improvement of urban transport system weaknesses and service quality. The number of transfer passengers demand in Istanbul, Turkey's biggest and most developed metropolis, was used to construct a real-world forecasting model in this study. The number of transfer passengers has been forecasted using popular machine learning methods such as kNN (k-Nearest Neighbours), LR (Linear Regression), RF (Random Forest), SVM (Support Vector Machine), XGBoost and MLP. The dataset utilized is made up of hourly passenger transfer counts gathered at two public transportation transfer stations in Istanbul in January 2020. Using MSE, RMSE, MAE and R2 parameters, each model's experimental data have been thoroughly evaluated. MLP has more successfully other machine learning algorithms in the majority of transportation lines, according to the experimental results.
AtıfScopus27OpenAlex25İncele