KaydedilenlerDerginizi ekleyin

Dergiler / Endüstri Mühendisliği / 2019 / Cilt: 30 - Sayı: 2

YAPAY SİNİR AĞLARI VE ADAPTİF NÖROBULANIK SİSTEMLER İLE 3. İSTANBUL HAVALİMANI TALEP TAHMİNİ VE TÜRK HAVA YOLLARI İÇ HAT FİLO OPTİMİZASYONU

Metehan ATAY
Yunus EROĞLU
Serap ULUSAM SEÇKİNER
Sayfa
141–156
Yayın Tarihi
2019-10-31
DOI
—
🏛️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 3.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmanın amacı, İstanbul Atatürk Havalimanı’na ikame olarak inşa edilen 3.
📊
Temel Bulgular & Veri:Hata ölçüm metodu olarak Kare Kök Ortalama Hata (RMSE) ve Hata Kareleri Toplamı (SSE) karşılaştırmalı olarak kullanılmış ve performansları değerlendirilmiştir.
💡
Sonuç & Katkı:Çalışmanın bulguları 3.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yapay Sinir Ağı · Bulanık Mantık · Tahminleme

Özet

Bu çalışmanın amacı, İstanbul Atatürk Havalimanı’na ikame olarak inşa edilen 3. İstanbul havalimanının gelecek yıllardaki yolcu ve yük talebini, İstanbul Atatürk Havalimanının geçmiş dönem verileri ile Yapay Sinir Ağları (YSA) ve Adaptif Ağ Tabanlı Bulanık Mantık Çıkarım Sistemi (ANFIS) yöntemleri kullanılarak tahmin etmek, muhtemel kapasiteye ışık tutmak ve ön görülen operasyon hacmini gerçekleştirebilmek adına muhtemel uçak filosunu finansal ve fiziksel kısıtlar kullanılarak senaryolar altında planlayabilmektir. Çalışmanın verileri Türk İstatistik Kurumu (TÜİK) tarafından derlenmiş olup normalizasyon sürecine tabi tutulmuştur. Hata ölçüm metodu olarak Kare Kök Ortalama Hata (RMSE) ve Hata Kareleri Toplamı (SSE) karşılaştırmalı olarak kullanılmış ve performansları değerlendirilmiştir. Çalışmanın bulguları 3. Havalimanının önümüzdeki senelerdeki tahmini yolcu ve yük değerlerinin yanında muhtemel talebe karşılık verip veremeyeceği ve havalimanının performans karakteristiği hakkında önemli bilgiler içermektedir.

🔖

Bu Makaleye Atıf Yap

ATAY, M., EROĞLU, Y., SEÇKİNER, S. U. (2019). YAPAY SİNİR AĞLARI VE ADAPTİF NÖROBULANIK SİSTEMLER İLE 3. İSTANBUL HAVALİMANI TALEP TAHMİNİ VE TÜRK HAVA YOLLARI İÇ HAT FİLO OPTİMİZASYONU. Endüstri Mühendisliği, Cilt: 30 - Sayı: 2, 141–156. https://ajindex.com/articles/70679

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (15)

  1. Blegur, F.M.A., Bakhtiar, T., Aman, A.: Scenarios for fleet assignment: a case study at Lion Air. IOSR Journal of Mathematics 10(5) Ver. I, 64-68 (2014
  2. Doganis, R. (2009). Flying off course IV: airline economics and marketing. Routledge
  3. Blinova, T. O. (2007). Analysis of possibility of using neural network to forecast passenger traffic flows in Russia. Aviation, 11(1), 28-34
  4. Srisaeng, P., Baxter, G. S., & Wild, G. (2015). Forecasting demand for low cost carriers in Australia using an artificial neural network approach. Aviation, 19(2), 90-103
  5. Abara, J., 1989. Applying integer linear programming to the fleet assignment prob- lem. Interfaces (Providence) 19 (4), 20–28
  6. Clarke, J-P., 2003. The role of advanced air traffic management in reducing the impact of aircraft noise and enabling aviation growth. J. Air Transp. Manage. 9, 161–165 7. Prats, X., Puig, V., Quevedo, J., Nejjari, F., 2010a. Lexicographic optimisation for optimal departure aircraft trajectories. Aerosp. Sci. Technol. 14, 26–37
  7. Prats, X., Puig, V., Quevedo, J., Nejjari, F., 2010b. Multi-objective optimisation for aircraft departure trajectories minimising noise annoyance. Transp. Res. Part C 18, 975–989
  8. Prats, X., Puig, V., Quevedo, J., 2011. A multi-objective optimization strategy for designing aircraft noise abatement procedures. Case study at Girona airport. Transp. Res. Part D 16, 31–41
  9. Visser, H.G., 2005. Generic and site-specific criteria in the optimization of noise abatement trajectories. Transp. Res. Part D 10, 405–419
  10. Hsu, C.I., Lin, P.H., 2005. Performance assessment for airport noise charge policies and airline network adjustment response. Transp. Res. Part D 10, 281–304
  11. Hsu, C.I., Li, H.C., Liu, S.M., Chao, C.C., 2011. Aircraft replacement scheduling: a dynamic programming approach. Transp. Res. Part E 47, 41–60
  12. Hsu, C.I., Chao, C.C., Huang, P.S., 2011. Fleet dry/wet lease planning of airlines on strategic alliances. Transportmetrica 9, 603–628
  13. Gomes, L.F.A.M., Fernandes, J.E.M., Soares de Mello, J.C.C.B., 2014. A fuzzy stochastic approach to the multicriteria selection of an aircraft for regional chartering. J. Adv. Transp. 48, 223e237
  14. Naumann, M., Suhl, L., Friedemann, M., 2012. A stochastic programming model for integrated planning of re-fleeting and financial hedging under fuel price and demand uncertainty. Proc. Soc. Behav. Sci. 54, 47–55
  15. Y. Ozdemir, H. Basligil, and B. Sarsenov, A large scale integer line