Schools construction in İstanbul using artificial neural networks

Basit Öğe Kaydı
dc.contributor.advisorCebeci, Ali Fehim
dc.contributor.authorChakkor, Anas
dc.date.accessioned2024-10-10T18:26:53Z
dc.date.available2024-10-10T18:26:53Z
dc.date.issued2023
dc.departmentEnstitüler, Sosyal Bilimler Enstitüsü, İktisat (İngilizce) Ana Bilim Dalıen_US
dc.descriptionSosyal Bilimler Enstitüsü, İktisat (İngilizce) Ana Bilim Dalı, İktisat (İngilizce) Bilim Dalıen_US
dc.description.abstractBu çalışmanın amacı, Bromilow'un zaman-maliyet modelini kullanarak Yapay Sinir Ağları ve Destek Vektör Regresyonunun bina maliyetlerini tahmin performanslarını değerlendirmektir. İstanbul'un bölgelerindeki yeni okul inşaatı projelerine ilişkin araştırma veriler İstanbul'daki Proje Koordinasyon Birimi'nden (IPKB) elde edilmiştir. Veri seti 2007-2020 yılları arasındaki 14 yılı içermektedir. Her bir sözleşme en az 6, en fazla 42 sözleşme kodunu içermekte ve bize toplamda 141 gözlem sağlayan toplam 6 sözleşme veri setini oluşturmuştur. Öncelikle veri seti rassal bir şekilde sıralanmış ve eğitim, doğrulama ve test sınıflarına bölünmüştür. Eğitim verileri veri setinin %60'ını, doğrulama ve test verilerinin her biri veri setinin %20'sini oluşturmuştur. Yapay Sinir Ağları ve Destek Vektör Regresyonu için en iyi yapı, doğrulama verilerinin en düşük ortalama kare hatası ile belirlenmiş ve gerçekleşen bina maliyetlerine ilişkin tahminler bu yapılar üzerinden gerçekleştirilmiştir. Tahmin sonuçlarına göre Destek Vektör Regresyonu, tahmin dönemi için daha düşük en düşük ortalama kare hatası ile Yapay Sinir Ağları'ndan daha iyi performans göstermiştir.en_US
dc.description.abstractThe aim of this study is to evaluate the forecasting performances of Artificial Neural Networks (ANN) and Support Vector Regression (SVR) in forecasting building costs by employing Bromilow's time-cost model. The research data set for new school construction projects in the regions of Istanbul was obtained from the Project Coordination Unit in Istanbul (IPKB). The dataset contains 14 years between the years 2007 to 2020. A total of 6 contracts were identified where each contract contains a minimum of 6 contract codes and a maximum of 42 providing us 141 observations in total. The dataset is randomly ordered and divided into training, validation, and testing classes. Training data consisted of 60% of the dataset, and validation and testing data consisted of 20% of the dataset respectively. The best structure for ANN and SVR is determined by the lowest root mean square error (RMSE) for the validation data and forecasts of realized building costs are based on these structures. According to forecast results, SVR outperformed ANN with lower RMSE for the forecasting period.en_US
dc.identifier.endpage52en_US
dc.identifier.startpage1en_US
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=S2eMu1TIwY_v4mYv58xArxOyO429Ujj8ztqEqhX_Vp-M-jJogn0WfqC7cQlb10vK
dc.identifier.urihttps://hdl.handle.net/11467/8094
dc.identifier.yoktezid835409en_US
dc.language.isoenen_US
dc.publisherİstanbul Ticaret Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.snmz2024_Tezen_US
dc.subjectEkonomien_US
dc.subjectEconomicsen_US
dc.titleSchools construction in İstanbul using artificial neural networksen_US
dc.title.alternativeSchools construction in Istanbul using artificial neural networksen_US
dc.typeMaster Thesisen_US

Dosyalar

Koleksiyon

Sosyal Bilimler Enstitüsü Tez Koleksiyonu