SavedAdd your journal

Journals / Gazi Mühendislik Bilimleri Dergisi / 2026 / Volume: 9 Issue: 4 Special Issue

Forecasting Light Commercial Vehicle Sales in Turkey by Machine Learning Methods

Türkiye’deki Hafif Ticari Araç Satışlarının Makine Öğrenmesi Yöntemleriyle Tahmin Edilmesi

Mehmet Kayakuş(AKDENİZ ÜNİVERSİTESİ)0000-0003-0394-5862
Mustafa Terzioğlu(AKDENİZ ÜNİVERSİTESİ)0000-0002-4614-7185
Ayten Yağmur(AKDENİZ ÜNİVERSİTESİ)0000-0003-2138-240X
Dilşad Erdoğan(AKDENİZ ÜNİVERSİTESİ)0000-0002-9117-5994
Pages
—
Publication Date
2023-12-31
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

According to the results obtained, it is concluded that the model designed for the prediction of light commercial vehicle sales in Turkey performs very successful predictions with ANN method

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Light commercial vehicles such as vans, pick-up trucks, panel vans, and minibuses are a class of vehicles used in large quantities, especially in the trade and service sectors.
📊
Key Findings & Data:In this study, it is thought that forecasting the sales and imports of light commercial vehicles, which is accepted as a macroeconomic indicator, will contribute to the evaluation of general economic indicators and will be useful for automotive companies operating in this market in terms of effective corporate resource planning and efficient use of resources from a micro perspective.
💡
Conclusion & Impact:According to the results obtained, it is concluded that the model designed for the prediction of light commercial vehicle sales in Turkey performs very successful predictions with ANN method
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Light commercial vehicle · vehicle demand forecast · economy

Abstract

Light commercial vehicles such as vans, pick-up trucks, panel vans, and minibuses are a class of vehicles used in large quantities, especially in the trade and service sectors. Changes in demand for this class of vehicles are also perceived as an indicator of the economic vitality of countries. In this study, it is thought that forecasting the sales and imports of light commercial vehicles, which is accepted as a macroeconomic indicator, will contribute to the evaluation of general economic indicators and will be useful for automotive companies operating in this market in terms of effective corporate resource planning and efficient use of resources from a micro perspective. The sales forecasting model designed in this study was created by analysing previous studies in the literature and including macroeconomic variables that are thought to affect light commercial vehicle sales in the model. The sales forecasting model designed in this study is constructed by analysing previous studies in the literature and including macroeconomic variables that are thought to affect light commercial vehicle sales in the model. Three machine learning methods, namely artificial neural network (ANN), multiple linear regression (MLR) and decision tree regression (DTR), were used to measure the forecasting success of the model. As a result of the study, the R2 value was found to be 94.6% for ANN, 64.1% for LVDR, and 82.2% for DTR. According to the results obtained, it is concluded that the model designed for the prediction of light commercial vehicle sales in Turkey performs very successful predictions with ANN method

Özet

Kamyonet, pikap, panelvan, minibüs gibi hafif ticari araçlar, özellikle ticaret ve hizmet sektörlerinde büyük miktarlarda kullanılan bir araç sınıfıdır. Bu sınıftaki araçlara yönelik talepteki değişimler, ülkelerin ekonomik canlılığının da bir göstergesi olarak algılanmaktadır. Bu çalışmada, makroekonomik bir gösterge olarak kabul edilen hafif ticari araç satış ve ithalatının tahmin edilmesinin, genel ekonomik göstergelerin değerlendirilmesine katkı sağlayacağı ve bu pazarda faaliyet gösteren otomotiv firmaları için mikro bakış açısıyla etkin kurumsal kaynak planlaması ve kaynakların verimli kullanılması açısından faydalı olacağı düşünülmektedir. Bu çalışmada tasarlanan satış tahmin modeli, literatürdeki önceki çalışmaların analiz edilmesi ve hafif ticari araç satışlarını etkileyebileceği düşünülen makroekonomik değişkenlerin modele dahil edilmesi ile oluşturulmuştur. Bu çalışmada tasarlanan satış tahmin modeli, literatürdeki önceki çalışmalar analiz edilerek ve hafif ticari araç satışlarını etkileyebileceği düşünülen makroekonomik değişkenler modele dahil edilerek oluşturulmuştur. Modelin tahmin başarısını ölçmek için yapay sinir ağı (YSA), çoklu doğrusal regresyon (MLR) ve karar ağacı regresyonu (DTR) olmak üzere üç makine öğrenmesi yöntemi kullanıldı. Çalışma sonucunda R2 değeri YSA için %94,6, ÇDR için %64,1 ve DTR için %82,2 olarak bulunmuştur. Elde edilen sonuçlara göre, Türkiye'deki hafif ticari araç satışlarının tahmini için tasarlanan modelin YSA yöntemi ile oldukça başarılı tahminler gerçekleştirdiği sonucuna varılmıştır.

🔖

Cite This Article

Kayakuş, M., Terzioğlu, M., Yağmur, A., Erdoğan, D. (2023). Forecasting Light Commercial Vehicle Sales in Turkey by Machine Learning Methods. Gazi Mühendislik Bilimleri Dergisi, Volume: 9 Issue: 4 Special Issue. https://ajindex.com/articles/1397460

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (66)

  1. A. G. Ö. Görener, "Türk otomotiv sektörünün ülke ekonomisine katkıları ve geleceğe yönelik sektörel beklentiler," Yaşar Üniversitesi E-Dergisi, vol. 3, no. 10, pp. 1213-1232, 2008.
  2. S. Yılmaz, K. Taştan, N. Ecek, ve E. Çınar, "Otomotiv sektörünün dünyadaki ve Türkiye’deki değişimi," Ordu Üniversitesi Sosyal Bilimler Enstitüsü Sosyal Bilimler Araştırmaları Dergisi, vol. 7, no. 3, pp. 685-695, 2017.
  3. O. Başkol, "Türk otomotiv sektörünün uluslararası rekabet gücü (1996-2010)," Paradoks Ekonomi Sosyoloji ve Politika Dergisi, vol. 7, no. 2, pp. 63-78, 2011.
  4. T.C. Sanayi ve Teknoloji Bakanlığı, "Otomotiv sektör raporu," [Online]. Available: https://www.sanayi.gov.tr/assets/pdf/plan-program/OtomotivSektorRaporu2020.pdf [Accessed: December. 12, 2023].
  5. M. H. Eken ve M. Çiçek, "Türkiye’de otomotiv sektöründeki ürünlerin kredilerle finansmanının satışlara etkisi," Maliye ve Finans Yazıları, vol. 1, no. 84, pp. 61-77, 2009.
  6. S. Kaynak ve Y. O. Ari, "Türk otomotiv sektöründe yoğunlaşma: binek ve hafif ticari araçlar üzerine bir uygulama," Ekonomik Yaklaşım, vol. 22, no. 80, pp. 39-58, 2011.
  7. T. Efendigil ve Ö. E. Eminler, "Havacılık sektöründe talep tahminin önemi: Yolcu talebi üzerine bir tahmin modeli," Yaşar Üniversitesi E-Dergisi, vol. 12, pp. 14-30, 2017.
  8. M. Soysal ve M. Ömürgönülşen, "Türk turizm sektöründe talep tahmini üzerine bir uygulama," Anatolia: Turizm Araştırmaları Dergisi, vol. 21, no. 1, pp. 128-136, 2010.
  9. M. Karaatlı, Ö. C. Helvacıoğlu, N. Ömürbek ve G. Tokgöz, "Yapay sinir ağları yöntemi ile otomobil satış tahmini," Uluslararası Yönetim İktisat ve İşletme Dergisi, vol. 8, no. 17, pp. 87-100, 2012. Doi: 10.11122/ijmeb.2012.8.17.290
  10. İ. Z. Akyurt, "Talep tahmininin yapay sinir ağlarıyla modellenmesi: Yerli otomobil örneği," Ekonometri ve İstatistik Dergisi, no. 23, pp. 147-157, 2015.
  11. C. E. Alper ve A. Mumcu-Serdar, "Türkiye’de otomobil talebinin tahmini," Ekonomi ve Ekonometri Merkezi, Boğaziçi Üniversitesi, 2000.
  12. F. K. Wang, K. K. Chang, and C. W. Tzeng, "Using adaptive network-based fuzzy inference system to forecast automobile sales," Expert Systems with Applications, vol. 38, no. 8, pp. 10587-10593, 2011. Doi: 10.1016/j.eswa.2011.02.100
  13. Y. Kuvvetli, C. Dağsuyu, ve M. Oturakci, "Türkiye'deki araç satışları için ekonomik ve çevresel faktörleri göz önüne alan yapay sinir ağı tabanlı bir tahmin yaklaşımı," Endüstri Mühendisliği, vol. 26, no. 3, pp. 23-31, 2015.
  14. P. F. Pai and C. H. Liu, "Predicting vehicle sales by sentiment analysis of Twitter data and stock market values," IEEE Access, vol. 6, pp. 57655-57662, 2018. Doi: 10.1109/ACCESS.2018.2873730 [15] S. Arslankaya and V. Öz, "Time series analysis of sales quantity in an automotive company and estimation by artificial neural networks," Sakarya Üniversitesi Fen Bilimleri Enstitüsü Dergisi, vol. 22, no. 5, pp. 1482-1492, 2018. Doi: 10.16984/saufenbilder.456518
  15. S. Haykin, “Neural networks and learning machines”, 3/E. Pearson Education India, 2009.
  16. M. Kayakuş and K. K. Çevik, "Estimation the number of visitors of e-commerce website by artificial neural networks during covid19 in turkey," Electronic Turkish Studies, vol. 15, no. 4, pp. 615-631, 2020.
  17. F. Recknagel, M. French, P. Harkonen, and K.-I. Yabunaka, "Artificial neural network approach for modelling and prediction of algal blooms," Ecological Modelling, vol. 96, no. 1-3, pp. 11-28, 1997. Doi: 10.1016/S0304-3800(96)00049-X
  18. B. Karlik and A. V. Olgac, "Performance analysis of various activation functions in generalized MLP architectures of neural networks," International Journal of Artificial Intelligence and Expert Systems, vol. 1, no. 4, pp. 111-122, 2011.
  19. G. Bandyopadhyay and S. Chattopadhyay, "Single hidden layer artificial neural network models versus multiple linear regression model in forecasting the time series of total ozone," International Journal of Environmental Science & Technology, vol. 4, pp. 141-149, 2007. Doi: 10.1007/BF03325972
  20. S. B. Maind and P. Wankar, "Research paper on basic of artificial neural network," International Journal on Recent and Innovation Trends in Computing and Communication, vol. 2, no. 1, pp. 96-100, 2014.
  21. S. Herzog, C. Tetzlaff, and F. Wörgötter, "Evolving artificial neural networks with feedback," Neural Networks, vol. 123, pp. 153-162, 2020. Doi: 10.1016/j.neunet.2019.12.004
  22. C. Vidal et al., "Hybrid energy storage system state-of-charge estimation using artificial neural network for micro-hybrid applications," IEEE Transportation Electrification Conference and Expo (ITEC), 2018: IEEE, pp. 1075-1081. Doi: 10.1109/ITEC.2018.8450251
  23. S. Cavalieri, P. Maccarrone, and R. Pinto, "Parametric vs. neural network models for the estimation of production costs: A case study in the automotive industry," International Journal of Production Economics, vol. 91, no. 2, pp. 165-177, 2004. Doi: 10.1016/j.ijpe.2003.08.005
  24. L. E. Eberly, "Multiple linear regression," Topics in Biostatistics, pp. 165-187, 2007. Doi: 10.1007/978-1-59745-530-5_9
  25. M. Kayakuş, D. Erdoğan, and M. Terzioğlu, "Predicting the share of tourism revenues in total exports," Alphanumeric Journal, vol. 11, no. 1, pp. 17-30, 2023. Doi: 10.17093/alphanumeric.1212189
  26. M. Tranmer and M. Elliot, "Multiple linear regression," The Cathie Marsh Centre for Census and Survey Research (CCSR), vol. 5, no. 5, pp. 1-5, 2008.
  27. S. Kılıç, "Doğrusal regresyon analizi," Journal of Mood Disorders, vol. 3, no. 2, pp. 90-92, 2013.
  28. M. Kayakus, B. Tutcu, M. Terzioglu, H. Talaş, and G. F. Ünal Uyar, "ROA and ROE forecasting in iron and steel industry using machine learning techniques for sustainable profitability," Sustainability, vol. 15, no. 9, p. 7389, 2023. Doi: 10.3390/su15097389
  29. X. Yan and X. Su, “Linear regression analysis: theory and computing”. World scientific, 2009. Doi: 10.1142/6986
  30. W. Y. Loh, "Classification and regression trees," Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, vol. 1, no. 1, pp. 14-23, 2011. Doi: 10.1002/widm.8
  31. M. Kayakuş and F. Y. Açıkgöz, "Classification of News Texts by Categories Using Machine Learning Methods," Alphanumeric Journal, vol. 10, no. 2, pp. 155-166, 2022. Doi: 10.17093/alphanumeric.1149753
  32. P. Perner, U. Zscherpel, and C. Jacobsen, "A comparison between neural networks and decision trees based on data from industrial radiographic testing," Pattern Recognition Letters, vol. 22, no. 1, pp. 47-54, 2001. Doi: 10.1016/S0167-8655(00)00098-2
  33. M. Kayakuş and F. Yiğit Açıkgöz, "Twitter'da makine öğrenmesi yöntemleriyle sahte haber tespiti," Abant Sosyal Bilimler Dergisi, vol. 23, no. 2, pp. 1017-1027, 2023. Doi: 10.11616/asbi.1266179
  34. G. K. Tso and K. K. Yau, "Predicting electricity energy consumption: A comparison of regression analysis, decision tree and neural networks," Energy, vol. 32, no. 9, pp. 1761-1768, 2007. Doi: 10.1016/j.energy.2006.11.010
  35. M. Xu, P. Watanachaturaporn, P. K. Varshney, and M. K. Arora, "Decision tree regression for soft classification of remote sensing data," Remote Sensing of Environment, vol. 97, no. 3, pp. 322-336, 2005. Doi: 10.1016/j.rse.2005.05.008
  36. L. Breiman, J. H. Friedman, R. A. Olshen, and C. J. Stone, “Classification and regression trees”, Routledge, 2017. Doi: 10.1201/9781315139470
  37. G. Hughes, "On the mean accuracy of statistical pattern recognizers," IEEE Transactions on Information Theory, vol. 14, no. 1, pp. 55-63, 1968. Doi: 10.1109/TIT.1968.1054102
  38. C. Kingsford and S. L. Salzberg, "What are decision trees?," Nature Biotechnology, vol. 26, no. 9, pp. 1011-1013, 2008. Doi: 10.1038/nbt0908-1011
  39. J. Elith, J. R. Leathwick, and T. Hastie, "A working guide to boosted regression trees," Journal of Animal Ecology, vol. 77, no. 4, pp. 802-813, 2008. Doi: 10.1111/j.1365-2656.2008.01390.x
  40. W.-Y. Loh and Y.-S. Shih, "Split selection methods for classification trees," Statistica Sinica, pp. 815-840, 1997.
  41. E. Pekel, "Estimation of soil moisture using decision tree regression," Theoretical and Applied Climatology, vol. 139, no. 3, pp. 1111-1119, 2020. Doi: 10.1007/s00704-019-03048-8
  42. B. M. Moret, "Decision trees and diagrams," ACM Computing Surveys (CSUR), vol. 14, no. 4, pp. 593-623, 1982. Doi: 10.1145/356893.356898
  43. J. R. Quinlan, C4. 5: Programs for machine learning. Elsevier, 2014.
  44. A. Günel, "Regresyon denkleminin başarısını ölçmede kullanılan belirleme katsayısı ve kritiği," Doğuş Üniversitesi Dergisi, vol. 4, no. 2, pp. 133-140, 2003. Doi: 10.31671/dogus.2019.313
  45. D. J. Ozer, "Correlation and the coefficient of determination," Psychological Nulletin, vol. 97, no. 2, p. 307, 1985. Doi: 10.1037/0033-2909.97.2.307
  46. N. J. Nagelkerke, "A note on a general definition of the coefficient of determination," Biometrika, vol. 78, no. 3, pp. 691-692, 1991. Doi: 10.1093/biomet/78.3.691
  47. O. Renaud and M.-P. Victoria-Feser, "A robust coefficient of determination for regression," Journal of Statistical Planning and Inference, vol. 140, no. 7, pp. 1852-1862, 2010. Doi: 10.1016/j.jspi.2010.01.008
  48. C. J. Willmott and K. Matsuura, "Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance," Climate Research, vol. 30, no. 1, pp. 79-82, 2005. Doi: 10.3354/cr030079
  49. T. Chai and R. R. Draxler, "Root mean square error (RMSE) or mean absolute error (MAE)," Geoscientific Model Development Discussions, vol. 7, no. 1, pp. 1525-1534, 2014. Doi: 10.5194/gmdd-7-1525-2014
  50. M. Şahan, "Yapay sinir ağları ve Angström-Prescott denklemleri kullanılarak Gaziantep, Antakya ve Kahramanmaraş için global güneş radyasyonu tahmini," Süleyman Demirel Üniversitesi Fen Edebiyat Fakültesi Fen Dergisi, vol. 16, no. 2, pp. 368-384, 2021. Doi: 10.29233/sdufeffd.953182
  51. M. Kayakuş, "Yazılım çaba tahmininde yapay sinir ağları için optimum yapının belirlenmesi," Avrupa Bilim ve Teknoloji Dergisi, no. 22, pp. 43-48, 2021. Doi: 10.31590/ejosat.847712
  52. A. De Myttenaere, B. Golden, B. Le Grand, and F. Rossi, "Mean absolute percentage error for regression models," Neurocomputing, vol. 192, pp. 38-48, 2016. Doi: 10.1016/j.neucom.2015.12.114
  53. F. Liantoni and A. Agusti, "Forecasting bitcoin using double exponential smoothing method based on mean absolute percentage error," JOIV: International Journal on Informatics Visualization, vol. 4, no. 2, pp. 91-95, 2020. Doi: 10.30630/joiv.4.2.335
  54. J. McKenzie, "Mean absolute percentage error and bias in economic forecasting," Economics Letters, vol. 113, no. 3, pp. 259-262, 2011. Doi: 10.1016/j.econlet.2011.08.010
  55. E. Karadağ, "Eğitim bilimleri doktora tezlerinde kullanılan araştırma modelleri: Nitelik düzeyleri ve analitik hata tipleri," Kuram ve Uygulamada Eğitim Yönetimi, vol. 1, no. 1, pp. 49-71, 2010.
  56. A. Oğuzlar, "Veri ön işleme," Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, no. 21, pp. 67-76, 2003.
  57. F. Arslan ve H. T. Kahraman, "Yapay zekâ tabanlı büyük veri yönetim aracı," Journal of Investigations on Engineering and Technology, vol. 2, no. 1, pp. 8-21, 2019.
  58. P. J. M. Ali, R. H. Faraj, E. Koya, P. J. M. Ali, and R. H. Faraj, "Data normalization and standardization: a technical report," Mach Learn Tech Rep, vol. 1, no. 1, pp. 1-6, 2014.
  59. Y. Gültepe, "Makine öğrenmesi algoritmaları ile hava kirliliği tahmini üzerine karşılaştırmalı bir değerlendirme," Avrupa Bilim ve Teknoloji Dergisi, no. 16, pp. 8-15, 2019. Doi: 10.31590/ejosat.530347
  60. S. Yavuz ve M. Deveci, "İstatiksel normalizasyon tekniklerinin yapay sinir ağın performansına etkisi," Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, no. 40, pp. 167-187, 2012.
  61. D. Singh and B. Singh, "Investigating the impact of data normalization on classification performance," Applied Soft Computing, vol. 97, p. 105524, 2020. Doi: 10.1016/j.asoc.2019.105524
  62. L. Munkhdalai, T. Munkhdalai, K. H. Park, H. G. Lee, M. Li, and K. H. Ryu, "Mixture of activation functions with extended min-max normalization for forex market prediction," IEEE Access, vol. 7, pp. 183680-183691, 2019. Doi: 10.1109/ACCESS.2019.2959789
  63. D. Borkin, A. Némethová, G. Michaľčonok, and K. Maiorov, "Impact of data normalization on classification model accuracy," Research Papers Faculty of Materials Science and Technology Slovak University of Technology, vol. 27, no. 45, pp. 79-84, 2019. Doi: 10.2478/rput-2019-0029
  64. M. F. Keskenler, D. Deniz, ve T. Aydın, "Yapay zekâ destekli ÇOKS yöntemi ile kredi kartı sahtekarlığının tespiti," El-Cezeri, vol. 8, no. 2, pp. 1007-1023, 2021. Doi: 10.31202/ecjse.908260
  65. M. K. Uçar, M. Nour, H. Sindi, ve K. Polat, "The effect of training and testing process on machine learning in biomedical datasets," Mathematical Problems in Engineering, vol. 2020, 2020. Doi: 10.1155/2020/2836236
  66. F. Aslay ve Ö. Üstün, "Meteorolojik parametreler kullanılarak yapay sinir ağları ile toprak sıcaklığının tahmini," Politeknik Dergisi, vol. 16, no. 4, pp. 139-145, 2013.