Abstract
Forecasting studies are extremely important in the technical, social and economic research. Generally, we know it is very difficult to forecast with higher accurate about a system by using recent values. In the scientific literature, the forecasting studies of energy, personnel planning, production planning, climate changes, sales and marketing and economics etc. are frequently found. In this paper, for an emergency calls center in Isparta province of Turkey an artificial neural network (ANN) forecasting model was developed to determine the number of calls for as health, fire and security services on a pilot implementation of the emergency calls center on a single number 112. In the developed model, the gradient descent with adaptive learning and momentum (GDX) algorithm is selected as the training algorithm with feed-forward back-propagation by using 80% of input data and the 20% of input data is used for testing set data from last month. After the testing, the mean absolute percentage error (MAPE) rate is obtained as 4.5% and it is useful to test. In addition, the forecasting results of the next month are shown that the MAPE values are 2.65%, 6.40% and 5.24% with ANN, trend analysis and ARIMA (1 1 1) models respectively and, the number of calls are found separately on the types of calls in daily. Consequently, the developed model by using ANN to forecast the number of calls in an emergency call center is more accurate than the trend analysis and ARIMA models.
Highlights
Tahmin, bir veya birden çok değişkenin şimdiki/mevcut değerleri kullanılarak gelecekteki değerlerinin kestirilmesidir [1]
forecasting model was developed to determine the number of calls
algorithm is selected as the training algorithm with feed-forward back-propagation
Summary
Özellikle son yıllarda meydana gelen hızlı teknolojik gelişmeler sonucu, sistemler ve makineler üzerinde insan ve zeka davranışlarının modellendiği uygulamalı çalışmalara sıklıkla rastlanmaktadır. Yapay sinirlerle ilgili ilk çalışma 1943 yılında McCulloch ve arkadaşları tarafından elektrik devreleri üzerinde basit yapay sinirleri kullanarak yapılmıştır [20]. Basit bir şekilde insan beyninin çalışma prensibini taklit eden YSA örneklerden öğrenebilme, genelleme yapabilme, eksik bilgi ile çalışabilme, örüntü tamamlama, ilişki kurma, sınıflandırma ve optimizasyon işlemlerinden birini veya bir kaçını yapabilme gibi birçok önemli özelliğe sahiptir. Bir YSA şebekesi, ağın topolojik yapısı (mimarisi) ve bu yapının çalışmasını sağlayan matematiksel fonksiyonlardan oluşmaktadır [10]. Çok katmanlı bir YSA şebekesi Şekil 1’de verilmiştir. Burada ağın eğitim sürecinde kullanılan öğrenme algoritmalarının amacı, girdi ve çıktı verileri arasındaki en uygun ilişkiyi sağlayacak olan bağlantı ağırlıklarının elde edilmesini sağlamaktır. YSA sürecinde önemli olan bir öğrenme kuralını dikkate alarak eşik fonksiyonu yardımıyla “w” ağırlık vektörünü istenilen performansı sağlayacak şekilde ayarlamaya çalışır. Bu da YSA’nın karmaşık, doğrusal olmayan modellerde ve işlem parametreleri arasındaki ilişkinin öğrenilmesinde tercih edilmesini sağlamaktadır
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Free) 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a call
