KaydedilenlerDerginizi ekleyin

Dergiler / Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi / 2026 / Cilt: 16 Sayı: 2

Vancouver Şehri Hava Sıcaklık Tahmini için Yöntemlerin Karşılaştırılması

Comparison of Methods for Weather Temperature Forecast in Vancouver City

Hasan Ali Görücü(İSTANBUL SAĞLIK VE TEKNOLOJİ ÜNİVERSİTESİ)0009-0003-5193-8760
Yavuz Özdemir(İSTANBUL SAĞLIK VE TEKNOLOJİ ÜNİVERSİTESİ)0000-0001-6821-9867
Mustafa Yıldırım(İSTANBUL SAĞLIK VE TEKNOLOJİ ÜNİVERSİTESİ)0000-0001-5709-4421
Gökhan Özdemir(İSTANBUL SAĞLIK VE TEKNOLOJİ ÜNİVERSİTESİ)0009-0001-3780-2272
Sayfa
425–445
Yayın Tarihi
2026-06-01
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Çalışmanın bulguları, Vancouver için en etkili hava durumu tahmin yöntemlerini ortaya koyarak meteoroloji, tarım, ulaşım ve enerji gibi alanlarda kullanılabilecek potansiyel yaklaşımlara katkı sağlamaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışma, Vancouver şehri için hava durumu tahmini amacıyla dört farklı yöntem; LSTM (Uzun Kısa Süreli Bellek Ağları), ARIMA (Otoregresif Entegre Hareketli Ortalama), CNN (Evrişimsel Sinir Ağları) ve En Küçük Kareler Tekniği kullanarak tahmin performanslarını karşılaştırmaktadır.
📊
Temel Bulgular & Veri:Her bir model, zaman serisi verilerini farklı şekillerde işleyerek tahmin sonuçları üretmektedir.
💡
Sonuç & Katkı:Çalışmanın bulguları, Vancouver için en etkili hava durumu tahmin yöntemlerini ortaya koyarak meteoroloji, tarım, ulaşım ve enerji gibi alanlarda kullanılabilecek potansiyel yaklaşımlara katkı sağlamaktadır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Hava Durumu Tahmini · LSTM · CNN

Özet

Bu çalışma, Vancouver şehri için hava durumu tahmini amacıyla dört farklı yöntem; LSTM (Uzun Kısa Süreli Bellek Ağları), ARIMA (Otoregresif Entegre Hareketli Ortalama), CNN (Evrişimsel Sinir Ağları) ve En Küçük Kareler Tekniği kullanarak tahmin performanslarını karşılaştırmaktadır. Her bir model, zaman serisi verilerini farklı şekillerde işleyerek tahmin sonuçları üretmektedir. Model performansları R² (Belirlilik Katsayısı), MSE (Ortalama Kare Hatası), RMSE (Kök Ortalama Kare Hatası) ve MAE (Ortalama Mutlak Hata) gibi hata metrikleri ile değerlendirilmiş, ayrıca elde edilen sonuçlar grafiksel olarak da sunulmuştur. Bu sayede modellerin gerçek değerlerle olan uyumları hem sayısal hem de görsel olarak analiz edilmiştir. Çalışmanın bulguları, Vancouver için en etkili hava durumu tahmin yöntemlerini ortaya koyarak meteoroloji, tarım, ulaşım ve enerji gibi alanlarda kullanılabilecek potansiyel yaklaşımlara katkı sağlamaktadır.

Abstract

This study compares the forecasting performances of four different methods; LSTM (Long Short-Term Memory Networks), ARIMA (Autoregressive Integrated Moving Average), CNN (Convolutional Neural Networks), and the Least Squares Method for weather prediction in the city of Vancouver. Each model processes time series data in different ways to generate forecast results. The model performances were evaluated using error metrics such as R² (Coefficient of Determination), MSE (Mean Squared Error), RMSE (Root Mean Squared Error), and MAE (Mean Absolute Error), and the results were also presented graphically. This allowed for both numerical and visual analyses of how well the models aligned with actual values. The findings of the study highlight the most effective weather forecasting methods for Vancouver, contributing potential approaches that could be applied in areas such as meteorology, agriculture, transportation, and energy.

🔖

Bu Makaleye Atıf Yap

Görücü, H. A., Özdemir, Y., Yıldırım, M., Özdemir, G. (2026). Vancouver Şehri Hava Sıcaklık Tahmini için Yöntemlerin Karşılaştırılması. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt: 16 Sayı: 2, 425–445. https://doi.org/10.21597/jist.1755122

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (24)

  1. Abdullah, K. H. (2023). CNN-LSTM hibrit modeliyle kosinüs benzerliğine dayalı çok düzeyli ayrık dalgacık dönüşümü ayrışımı kullanarak akciğer ses sinyali sınıflandırması [Doktora tezi, Harran Üniversitesi]. Şanlıurfa.
  2. Aktuğ, A., & Topal, K. H. (2025). İstanbul’un su tüketiminin tahmininde derin öğrenme ve hibrit model yaklaşımı: ARIMA, MLP ve ARIMA-MLP hibrit modelleri. Trakya Üniversitesi Sosyal Bilimler Dergisi, 27(IERFM 2025 Özel Sayı), 59-80.
  3. Arıkök, Y. A. (2024). A comparative study of ARIMA and LSTM for two-days ahead forecasting of electricity demand in İzmir-Manisa region in Turkey [Yüksek lisans tezi, Yaşar Üniversitesi]. İzmir.
  4. Aslan, E. (2024). LSTM-ESA hibrit modeli ile MR görüntülerinden beyin tümörünün sınıflandırılması. Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi, 11(22), 63-81.
  5. Aslan, E., Özüpak, Y., Alpsalaz, F., & Elbarbary, Z. M. (2025). A hybrid machine learning approach for predicting power transformer failures using internet of things based monitoring and explainable artificial intelligence. IEEE Access, 13, 113618-113633.
  6. Duraj, A., Szczepaniak, P., & Sadok, A. (2025). Detection of anomalies in data streams using the LSTM-CNN model. Sensors, 25(5), 1610.
  7. Fan, D., Sun, H., Yao, J., Zhang, K., Yan, X., & Sun, Z. (2021). Well production forecasting based on ARIMA-LSTM model considering manual operations. Energy, 220, 119708.
  8. Karabulut, M. A., & Topçu, E. (2022). Derin öğrenme teknikleri kullanılarak Kars ilinin hava sıcaklık tahmini. Mühendislik Bilimleri ve Tasarım Dergisi, 10(4), 1174-1181.
  9. Kashif, K., & Slepaczuk, R. (2025). LSTM-ARIMA as a hybrid approach in algorithmic investment strategies. Knowledge-Based Systems, 320(1), 113563.
  10. Kulshreshtha, S. (2020). An ARIMA- LSTM Hybrid Model for Stock Market Prediction Using Live Data. Journal of Engineering Science and Technology Review, 13(4), 117-123.
  11. Kumaş, K., & Akyüz, A. Ö. (2024). Predicting Konya's air temperature: Genetic programming, gradient boosting and random forest approaches. Uluslararası Sürdürülebilir Mühendislik ve Teknoloji Dergisi, 8(2), 182-191.
  12. Ning, Y., Kazemi, H., & Tahmasebi, P. (2022). A comparative machine learning study for time series oil production forecasting: ARIMA, LSTM, and Prophet. Computers & Geosciences, 164, 105126.
  13. Ozdemir, B., Aslan, E., & Pacal, I. (2025). Attention enhanced inceptionnext based hybrid deep learning model for lung cancer detection. IEEE Access, 13, 27050-27069.
  14. Özüpak, Y., & Mansurov, S. (2025). Yeni bir RNN-LSTM hibrit modeliyle elektrik talebi tahmininin optimize edilmesi. Enerji Kaynakları, Bölüm B: Ekonomi, Planlama ve Politika, 20(1), 2531448.
  15. Pierre, A. A., Akim, A. A., Semenyo, A. K., & Babiga, B. (2023). Peak electrical energy consumption prediction by ARIMA, LSTM, GRU, ARİMA-LSTM and ARIMA-GRU approaches. Energies, 16(12), 4739.
  16. Salihoğlu, S. (2023). Enhancing next destination prediction: An application of LSTM using real-world airline data [Yüksek lisans tezi, Orta Doğu Teknik Üniversitesi]. Ankara.
  17. Sevinç, A., & Kaya, B. (2021). Derin öğrenme yöntemleri ile sıcaklık tahmini: Diyarbakır ili örneği. Journal of Computer Science, idap-2021(Özel Sayı), 217-225.
  18. Sezen, B., & Yüce, N. (2022). Amerika havayolu yolcu milinin LSTM ve AR modeli kullanılarak tahmini. Journal of Turkish Operations Management, 6(2), 1345-1360.
  19. Siami-Namini, S., Tavakoli, N., & Namin, A. S. (2019). A comparative analysis of forecasting financial time series using ARIMA, LSTM, and BILSTM. Arxiv preprint arxiv:1911.09512.
  20. Tanışman, S., Karcıoğlu, A. A., Uğur, A., & Bulut, H. (2021). Bitcoin fiyatının LSTM ağı ve ARIMA zaman serisi modeli kullanarak tahmini ve karşılaştırılması. Avrupa Bilim ve Teknoloji Dergisi, (32), 514-520.
  21. Uyar, R., & Özdemir, D. (2025). Deprem şiddet tahmini için derin öğrenme yöntemlerinin karşılaştırılması ve model önerisi. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 25(3), 522-534.
  22. Vitale, J., & Robinson, J. (2025). In-season price forecasting in cotton futures markets using ARIMA, Neural Network, and LSTM machine learning models. Journal of Risk and Financial Management, 18(2), 93.
  23. Wang, W., Ma, B., Guo, X., Chen, Y., & Xu, Y. (2024). A hybrid ARIMA-LSTM model for short-term vehicle speed prediction. Energies, 17(15), 3736.
  24. Xu, D., Zhang, Q., Ding, Y., & Zhang, D. (2022). Application of a hybrid ARIMA-LSTM model based on the SPEI for drought forecasting. Environmental Science and Pollution Research, 29(3), 4128-4144.