İstanbul Göztepe Bölgesinin Makine Öğrenmesi Yöntemi ile Rüzgâr Hızının Tahmin Edilmesi

Transkript

1 Makie Tekolojileri Elektroik Dergisi Cilt: 8, No: 4, 011 (75-80) Electroic Joural of Machie Techologies Vol: 8, No: 4, 011 (75-80) TEKNOLOJİK ARAŞTIRMALAR e-issn: Tekik Not (Techical Note) İstabul Göztepe Bölgesii Makie Öğremesi Yötemi ile Rüzgâr Hızıı Tahmi Edilmesi Mustafa TİMUR *, Fatih AYDIN *, T.Çeti AKINCI ** * Kırklareli Üiversitesi Tek. Bil. M.Y.O., Kırklareli/TÜRKİYE ** Kırklareli Üiversitesi Mühedislik Fak., Kırklareli/TÜRKİYE mustafatimur@kirklareli.edu.tr Geliş Tarihi: Kabul Tarihi: Özet Rüzgâr ölçümleri, birçok ala içi gereklidir. Bulara örek olarak meteoroloji, iklim, tarım, edüstriyel uygulamalar ve bilimsel araştırmalar verilebilir. Ölçümlerdeki çok ufak gibi görüe bir fark bile yatırımı ekoomikliğii etkileyebilmektedir ve plalaa yatırım içi risk getirebilmektedir. Bu amaçla yapıla çalışmaları ileriye yöelik ve çok hassas degeler üzerie kurulması gerekmektedir. Bu çalışmada makie öğremesi yötemi kullaılarak İstabul Göztepe bölgesi içi rüzgâr tahmileri yapılmıştır. Tahmileri yapılması içi Baggig metodu esas alıarak, sııfladırma işlemi içi REPTree öğreme ağacı kullaılmaktadır. Baggig sııfladırıcıı parametrelerideki değişiklik ile diğer sııfladırıcılara göre e yüksek öğremeyi gerçekleştirmektedir. Yapıla çalışmada korelasyo katsayısı ve Root mea squared error değeri olarak elde edilmiştir. Burada korelasyo katsayısıı 0.5 ile 1.0 arasıda olması aralarıda yüksek bir ilişki olduğuu göstermektedir. Ayrıca root mea squared error değerii 0 a yakı olması çok öemli hataları yapılmadığıı göstermektedir. Aahtar Kelimeler: Makie Öğremesi, Baggig, REPTree, Rüzgâr Hızı 1. GİRİŞ Bilgi tekolojilerideki gelişmeler sayeside artık çok büyük miktarlarda veriyi kaydedebilmekteyiz. Çok büyük miktardaki verileri mauel olarak işlemesi, aalizlerii yapılması mümkü değildir. Bu problemlere çözüm bulmak amacıyla makie öğremesi metotları geliştirilmiş ve bu yötemler geliştirilmeye devam etmektedir. Makie öğremesi metotları öceki verileri kullaarak veriye e uygu modeli bulmaya çalışır. Yei gele verileri de bu metoda göre aaliz eder. Farklı uygulamaları aalizlerde farklı bekletileri olmaktadır. Makie öğremesi metotlarıı bu bekletilere göre sııfladırmak mümküdür [1]. Bu makaleye atıf yapmak içi Timur M *., Aydı F *., Akıcı T.Ç **., İstabul Göztepe Bölgesii Makie Öğremesi Yötemi ile Rüzgâr Hızıı Tahmi Edilmesi Makie Tekolojileri Elektroik Dergisi 011, 8(4) How to cite this article Timur M *., Aydı F *., Akıcı T.Ç *., The Predictio Of Wid Speed Of Goztepe District Of Istabul Via Machie Learig Method Electroic Joural of Machie Techologies, 011, 8(4) 75-80

2 Tekolojik Araştırmalar: MTED 011 (8) İstabul Göztepe Bölgesii Makie Öğremesi Yötemi. MALZEME ve METOT.1 Makie Öğremesi Veri üzeride örütü bulma bilgi keşfi içi öemli bir süreçtir. Bilgi keşfi süreci, veri madeciliği olarak da adladırılır [] diğer bir ifadeyle veri üzeride makie öğremesi metotlarıı uygulaması veri madeciliği olarak adladırılır [1]. Makie öğremesi, bilgi keşfi sırasıda kullaıla tümevarımsal algoritmaları uygulaması sürecii taımlamak içi çok yaygı bir biçimde kullaıla bilimsel bir çalışma alaıdır [].. Baggig Makie öğremesi alaıda, tüm eğitim verileri üzeride yeterli öğreme gerçekleştirebile tek bir öğreme algoritması mevcut değildir. Buda dolayı algoritma seçimi deeme yaılma yoluyla yapılır [4]. Ayı zamada algoritmaları eğitim verisi üzeride oluşturdukları model ya da hipotez eğitim verisie bağlı olarak da değişmektedir. Bu durum e iyi modeli seçimi kousuu güdeme getirmektedir. Baggig [5] metodu, bir eğitim verisii farklı kombiasyoları oluşturularak elde edile zayıf eğitim verilerii temel-öğreiciler tarafıda öğreilmesi soucu oluşa modelleri souçlarıı karıştırılması yötemie dayaır. Bu alamda baggig bir oylama metodudur [1]. Baggig de eğitim verisii farklı kombiasyolarıı oluşturulma süreci bootstrap [6] metodua dayaır. Bu metod cross-validatio a [1,, 3] bezemektedir ve ou bir alteratifidir. Amaç, bir tek örekte birde fazla örek oluşturmaktır. Buu yaparke orijial örekte yer değiştirme ile yei örekler oluşturmaktır. Bootsrap örekleri cross-validatio örekleride çoğu ile örtüşebilir [1]. Buda dolayı oları tahmileri birbirlerie bağımlıdır. Bootstrap da, N adet gözlemde oluşa veri kümesi yer değiştirilerek 1/N kadar olasılıkla bootstrap örek veri kümesi oluşturulur [7]. Bu örek kümelerii sayısı N adettir. Weka da [9] baggig tekiği meta.baggig olarak adladırılmaktadır. Baggig tekiği bir öğreme ağacı algoritması ola REPTree [10] ile birlikte kullaıldı. 3. İSTATİSTİKSEL DEĞERLENDİRME KRİTERİ 3.1 Korelasyo Katsayısı Korelasyo Katsayısı (Correlatio Coefficiet) gerçek değer ile tahmii değer arasıdaki istatistiksel ilişkiyi ölçer. CC değeri -1 ve +1 arasıda değişir. CC i pozitif değeri iki ilişkii birbirleriyle ayı yöde olduklarıı belirtir. Negatif değerler ise ilişkii zıt yöde olduğuu gösterir. Eğer CC değeri sıfır ise, o zama iki değer arasıda herhagi bir ilişki olmadığı söyleebilir. CC değeri içi detaylı açıklama Cohe [11] tarafıda Tablo 1 de gösterilmektedir. Tablo 1. Cohe i Korelasyo Tablosu Korelasyo Negatif Pozitif Düşük -0.9 / / 0.9 Orta / / 0.49 Yüksek / /

3 Timur M., Aydı F., Akıcı T.Ç., Tekolojik Araştırmalar: MTED 011 (8) Ortalama Karesel Hataları Karekökü Bir öğreme algoritmasıı yaptığı tahmiler ile gerçek değerleri arasıdaki farkı karesii ortalaması ortalama karesel hatayı (Mea Squared Error) verir. MSE değerii kareköküü alımasıyla ortalama karesel hataı karekökü (Root Mea Squared Error) hesaplaır. MSE ve RMSE i hesaplamaları aşağıda gösterilmektedir. Bua göre p, yapıla tahmii değerleri; a ise gerçek değerleri ifade etmektedir. p a p a MSE (1) p a p a RMSE () MSE Var oise bias Var p i (3) (1) eşitliğide de görüleceği gibi yüksek orada bias ve varyas MSE i değerii arttırmaktadır [1]. 4. SINIFLANDIRMA SONUÇLARI VE TARTIŞMA Bir meta sııfladırıcı ola Baggig i öğreme sürecide kullaıla eğitim verilerii sayısı 7400 dür. Eğitim verilerii giriş itelikleri olarak tarih, sıcaklık ve basıç seçildi. Ayrıca yapıla ölçümler saatlik olarak yapılmaktadır. Yai 1 gü içeriside 4 adet ölçüm soucu kaydedilmektedir. Farklı öğreme tekiklerii kullaa sııfladırıcıları eğitim soudaki souçları Tablo de gösterilmektedir. Tablo de seçile sııfladırıcılar ile baggig sııfladırıcı arasıdaki fark açık bir biçimde görülmektedir. Cross validatio içi seçile k değeri 5 ve 10 olarak belirledi. Tablo. Sııfladırma algoritmalarıı aldıkları parametrelere göre hata oraı ve korelasyo değerlerii karşılaştırılması Sııfladırıcılar k değeri / Diğer Parametreler RMSE CC Liear Regressio k=10 / default Liear Regressio k=5 / default knn k=10 / default knn k=5 / default Baggig k=10 / default

4 Tekolojik Araştırmalar: MTED 011 (8) İstabul Göztepe Bölgesii Makie Öğremesi Yötemi Baggig k=5 / default Baggig k = 10 / REPTree { minum = 1.0, opruig = True, umfolds = 5} DecisioTable k=10 / default DecisioTable k = 5 / default REPTree k = 10 / default REPTree k = 5 / default REPTree k = 10 / minum = 1.0, opruig = True, umfolds = Tablo teki sııfladırma algoritmaları icelediği zama e iyi soucu Baggig sııfladırıcıı verdiği görülmektedir. Baggig sııfladırıcı sııfladırma işlemi içi temel öğreici olarak REPTree öğreme ağacıı kullamaktadır. Baggig sııfladırıcıı parametrelerideki değişiklik ile birlikte diğer sııfladırıcılara göre e yüksek öğremeyi gerçekleştirmektedir. CC değeri ve RMSE değeri olarak elde edilmiştir. Bu souçlara e yakı souç REPTree öğreme ağacıı parametrelerideki değişiklik soucu elde edile souçlardır. Bu souçlara göre CC değeri ve RMSE değeri olarak elde edilmiştir. Yalız Baggig sııfladırıcı, temel sııfladırıcı olarak REPTree yi kullamasıa rağme yötem olarak bootstrappig işlemi yapması ve her bootstrap içi elde etmiş olduğu alt souçları bir karışımıı souç olarak sumasıda dolayı e iyi soucu vermiştir. Diğer bir okta ise k değerii 5 ya da 10 yapılması soucu çok değiştirmemektedir. Bazı sııfladırıcılarda k=5 olması olumlu souç verirke bazılarıda ise kötü souç vermektedir. Burada öemli ola okta cross validatio kullaılarak eğitim verilerii öğreme içi yeterli olup olmadığıı belirlemesidir. CC değerii olması ve RMSE değerii olması ile öğremei yeterli olduğuu söyleyebiliriz. Çükü CC değerii 0.5 ile 1.0 arasıda olması yüksek (high) bir ilişki olduğuu göstermektedir. Ayı zamada RMSE değerii 0 a yakı olması çok öemli hataları yapılmadığıı göstermektedir. Şekil 1 de gerçek rüzgâr hızı değeri ile tahmii rüzgâr hızı değeri arasıdaki ilişki gösterilmektedir. Bua göre gerçek değer ile tahmii değer arasıdaki fark arttıkça çarpı işaretii büyüklüğü de artmaktadır. Şekil 1 icelediği takdirde çok fazla büyük çarpı işaretii olmadığı görülmektedir. Geel olarak küçük çarpı işaretlerii yaygı olduğu görülmektedir. Bu durum RMSE değerii küçük olmasıı bir soucudur. 78

5 Timur M., Aydı F., Akıcı T.Ç., Tekolojik Araştırmalar: MTED 011 (8) Şekil 1. x-eksei gerçek rüzgar hızı, y-eksei ise tahmii rüzgar hızıı göstermektedir. Çarpı işaretii büyümesi gerçek değer ile tahmii değer arasıdaki farkı büyük olduğuu göstermektedir. 5. SONUÇLAR Bu çalışmada, makie öğremesi yötemi ile aemometer cihazıa bağlı kalımada da isteile souçlara ulaşılacağı belirlemiştir. Makie öğremesi yötemleride ola Baggig metodu kullaılarak çeşitli değerlere göre rüzgâr hızı tahmi edilmiştir. Tahmi edile rüzgar hızı ile aemometrede elde edile rüzgar hızı arasıda ki korelasyo katsayısı dur. Bu da gerçek değer ile tahmi edile değer arasıda mükemmel bir ilişki olduğuu göstermektedir. Ayı zamada değerler arasıda ki hata oralarıı sıfıra çok yakı olması (RMSE=0.6591) bu iki değer arasıdaki farkı oldukça düşük olduğuu bir göstergesi olup soucu oldukça başarılı olduğu alamıa gelmektedir. Souç olarak kullaıla yötem ile maliyet ve zama faktörü ortada kaldırılmıştır. Ayı zamada baggig metoduu iyi souçlar vermesi makie öğremesii rüzgâr hızı tahmileride yaygı bir biçimde kullaılmasıı öüü açacaktır. 6. KAYNAKLAR 1. Alpaydı, E., 004, Itroductio to Machie Learig, The MIT Press, Prited ad boud i the Uited States of America. ISBN Glossary of Terms, Machie Learig, 1998, Ia H.Witte, Eibe Frak., 005, Data miig : practical machie learig tools ad techiques d ed. p. cm. Morga Kaufma series i data maagemet systems. ISBN: Amasyalı, M.F., 008, Yei Makie Öğremesi Metotları ve İlaç Tasarımıa Uygulamaları, Thesis (Phd). Yıldız of Techical Uiversity. 5. Breima, L., 1996, Baggig Predictors, Machie Learig, 4,

6 Tekolojik Araştırmalar: MTED 011 (8) İstabul Göztepe Bölgesii Makie Öğremesi Yötemi 6. Efro, B., Tibshirai, R., 1993, A Itroductio to the Bootstrap. Boca Rato, FL: Chapma & Hall/CRC. 7. Yakupoğlu, Ç., Atıl, H., 006, A Study o Bootstrap Method ad It s Applicatio II. Cofidece Iterval, Hypothesis Testig ad Regressio Aalysis with Bootstrap Method, Ege Üiv. Ziraat Fak. Derg., 43():63-7 ISSN Mitchell, T.M. 1980, The eed for biases i learig geeralizatios. CBM-TR 5-110, Rutgers Uiversity, New Bruswick, NJ. 9. WEKA, Available: [Erişim Tarihi: 08 Mart 011]. 10. WEKA, Class REPTree, [Erişim Tarihi: 01 Hazira 011]. 11. Cohe, J. 1988, Statistical power aalysis for the behavioral scieces (d ed.) Hillsdale, NJ: Lawrece Erlbaum Associates. 1. Kılıçasla, Y., Güer E.S., ad Yıldırım, S., 009, Learig-based proou resolutio for Turkish with a comparative evaluatio Computer Speech & Laguage Volume 3, Issue 3, Pages