Uyar, BurakUrcan, Ferayi Güzel2025-05-102025-05-102022https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=kScA8XnrRb0WogX-qPGFktO_BNjRfDfvOz4JzL1LqEApmjz31C_wZewY4tF2ZqDhhttps://hdl.handle.net/20.500.14720/23899Günümüz ortamında iklim, dünyadaki yaşamın sürdürülebilirliğinde hayati bir rol oynamaktadır. Bununla birlikte, iklim sürekli değişmekte ve gezegen için ciddi bir soruna neden olmaktadır. Bundan kaynaklı olarak, gelecekteki iklim verilerini doğru bir şekilde tahmin etmek zor olmaktadır. Birçok algoritma önerilmiş ve geliştirilmiş olmasına rağmen yine de doğru tahminde bulunamamaktadır. Zaman serisi yöntemi, gelecekteki sıcaklık verilerinin tahmini için ARIMA algoritması kullanılmaktadır. Potansiyel modelleri belirlemek için otokorelasyon fonksiyonları (ACF) ve kısmi otokorelasyon fonksiyonları (PACF) kullanılmaktadır. Ardından, AIC gibi bir performans ölçütüne dayalı olarak en uygun modeli seçilmektedir. Seçilen modelin tahmin doğruluğu, ADF testi uygulanarak doğrulanmakta ve SARIMA (p, d, q) × (P, D, Q) m'nin AIC değeri en düşük olanı seçilmektedir. Sonarsın da ise SARIMA modeli kullanılarak sıcaklığın gelecekteki tahminini gösterebilmektedir. Tahmin doğruluğunu değerlendirmek için kök ortalama kare hatası (RMSE) ve ortalama kare hatası (MSE) hesaplanmaktadır. Geleneksel yöntem, olasılık kavramı başlangıç kabul edilerek Markov zincirlerine ulaşılmış, ardından Markov zincirine ait özel durumlar ve analizler incelenmiş, daha sonra da uygulamaya geçilerek sınıflandırılma yapılmıştır. Bu sınıflandırma ile veri kümesindeki her bir veri için hangi sınıfa ait olduğu çıkarılmıştır. Bu sınıflar üzerinden geçiş matrisi oluşturulmuştur. Bu geçiş matrisi ile de olasılık geçiş matrisi hesaplanmıştır. Elde ettiğimiz bu olasılık geçiş matrisi ile bir sonraki ay için tahminde bulunarak Van ili için yararlı olabilecek hava sıcaklık tahmimi sonucu elde edilmiştir.In today's environment, climate plays a vital role in the sustainability of life on Earth. However, the climate is constantly changing, causing a serious problem for the planet. As a result, it is difficult to accurately predict future climate data. Although many algorithms have been proposed and developed, they still cannot make accurate predictions. Time series method, ARIMA algorithm is used for prediction of future temperature data. Autocorrelation functions (ACF) and partial autocorrelation functions (PACF) are used to identify potential models. Then, the most suitable model is selected based on a performance criterion such as AIC. The prediction accuracy of the selected model is verified by applying the ADF test and the lowest AIC value of SARIMA (p, d, q) × (P, D, Q) m is selected. In sonar, on the other hand, it can show the future forecast of temperature using the SARIMA model. Root mean square error (RMSE) and mean square error (MSE) are calculated to evaluate estimation accuracy. By accepting the traditional method, the concept of probability as a starting point, Markov chains were reached, then the special cases and analyzes of the Markov chain were examined, and then the classification was made by applying it. With this classification, it is determined which class it belongs to for each data in the data set. Transition matrix was created over these classes. With this transition matrix, the probability transition matrix is calculated. With this probability transition matrix we have obtained, we have made a forecast for the next month and obtained the result of air temperature prediction that can be useful for the province of Van.trİstatistikARIMA modelleriDurum geçiş matrisiMarkov zinciriOlasılık-etki analiziSıcaklık ölçmeSınıflandırmaZaman serileriStatisticsARIMA modelsState transition matrixMarkov chainProbability-effect analysis riskTemperature measurementClassificationTime seriesMaster Thesis85731782