Sinop İlindeki Müzelere Gelen Ziyaretçi Sayısının Yapay Sinir Ağları İle Tahmini

Yapılan çalışmada, Sinop ili merkezinde bulunan müzelere (Arkeoloji, Etnografya ve Tarihi Ceza Evi) gelen ziyaretçi sayılarının Yapay Sinir Ağları modelleri kurularak tahmini yapılmıştır. Yapay Sinir Ağları modelleri oluşturulmasında bilgisayar ortamında MATLAB yazılımı kullanılmıştır. Kullanılan Yapay Sinir Ağları modelleri; ileri beslemeli ve geri yayılımlıdır. Kullanılan Ağ yapıları, 19 girişli, bir çıkışlı, (Arkeoloji, Etnografya ve Tarihi Ceza Evi müzeleri için ayrı olarak oluşturulmuştur. Giriş girdisi olarak; 10 farklı meteorolojik faktör, zaman faktörü (ay, yıl), turizm geliri (TL), döviz ($/TL), aylık-yıllık ÜFE ve TÜFE verileri kullanılmıştır. Çıkış olarak ise aylara göre aylık günlük ziyaretçi ortalama sayısı kullanılmıştır. Oluşturulan Yapay Sinir Ağları modelin eğitiminde ve testinde 2012 yılından 2017 yılına kadar toplam 60 aylık, ilde bulunan müzelere gelen ziyaretçi sayıları ve bu tarihlere ait giriş verileri kullanılmıştır. Yapay Sinir Ağları modellerinin seçilmesinde 3 farklı geri dağılımlı Eğitim Fonksiyonu, 3 farklı Transfer Fonksiyonu ve 8 farklı gizli katman hücre sayısı ile oluşturulan ağ yapılarının 50 şer kez tekrarlanarak olasılıkları denenmiştir. Toplamda 32400 ağ oluşturulup eğitilerek her bir müze için en iyi sonucu veren ağ yapısı seçilmiştir. Yapay Sinir Ağları modelleri ile elde edilen tahmin sonuçları değerlendirilmiş ve tartışılmıştır. Yapay Sinir Ağları ile Sinop ilinde bulunan müze için gelen ziyaretçi sayılarının tahmininin gerçekleştirilebileceği görülmüştür

Anahtar Kelimeler:

Sinop, Müzeler, Yapay Sinir Ağları, Müze Ziyaretçi Sayısı

Prediction of the Numbers of Visitors at the Sinop Museums by Artificial Neural Networks

In this study, the numbers of museums ‘visitors (Archaeology, Ethnography and Historical Prison) at the city center of Sinop province have been predicted by Artificial Neural Network structures. Artificial Neural Network models have been created in MATLAB environment. These Artificial Neural Network models are feed forward and trained by Backpropagation Algorithm. For each museum, a Artificial Neural Network with 19-inputs and 1-output have been used separately. As inputs of networks, 10 different meteorological factors, time factor (month, year), tourism income (TL), exchange rate ($/TL) and monthly-yearly PPI and CPI data have been used. Output of ANNs is the daily average of number of visitors for each month. In order to train and test the Artificial Neural Networks, the number of visitors of museum at city center for total 60 months of years between 2012 and 2017, and other input data have been used. The selection of proper Artificial Neural Networks structure have been achieved by trying backpropagation training functions 50-times on 3-different activation functions structure with 8 different neuron counts at one hidden layer. Totally, 32400-network have been created by training and the best network structure for each museum have been selected. Estimation result obtained by the Artificial Neural Network models have been evaluated and discussed. As a result of this work, it has been proved that estimation of number of visitors visiting museums at Sinop province can be done by using ANN structures.

Keywords:

Sinop, Museums, Artifical Neural Networks, Number of Museum Visitors,

PDF

___

Alcan, Ö., Alcan, Y., Demir, M., and Öztürk, Z., (2017, April). Sinop İli Turizm Talebinin Yapay Sinir Ağlari Yöntemiyle Tahmini. 1st International Congress on Vocational and Technical Sciences (UMTEB), (pp.889-910). Batumi – Georgia.
Andrawis, R. R., Atiya, A. F., and El-Shishiny, H.(,2011). Combination of long term and short term forecasts, with application to tourism demand forecasting. International Journal of Forecasting, 27(3), 870-886.
Ali, R., and Shabri, A.,2017. Modelling Singapore Tourist Arrivals to Malaysia by Using SVM and ANN. SCIREA Journal of Mathematics, 1(2), 210-216.
Aydın, A., Darıcı, B., and Tasçı, H.M., (2015). Economic Determinants of International Tourism Demand: An Empirical Application on Turkey, Erciyes University Journal of Faculty of Economics and Administrative Sciences 45, 143-177.
Burger, M. D., Kathrada, M. and Law, R. (2001). A Practitioners Guide to Time Series Methods for Tourism Demand Forecasting a Case Study of Durban, South Africa, Tourism Management, 22(4), 403-409.
Aladağ, H.Ç., (2010, May). Farklı Öğrenme Algoritmalarıyla Türkiye'ye Gelen Yabancı Turist Sayısının Tahmini.1 th Interdisciplinary Tourism Research Conference (pp.188-197).Nevsehir/Turkey.
Claveria, O., Monte, E. and Torra, S. (2013). Tourism demand forecasting with different neural networks models, IREA Working Papers: University of Barcelona, Research Institute of Applied Economics. 2013/21, 1-23.
Çuhadar, M. and Kayacan, C. (2005). Yapay Sinir Aglari Kullanilarak Konaklama İsletmelerinde Doluluk Orani Tahmini: Turkiye'deki Konaklama İsletmeleri Üzerinde Bir Deneme. Anatolia, 16(1), 24-30.
Claveria, O., and Torra, S., (2014). Forecasting tourism demand to Catalonia: Neural networks vs. time series models. Economic Modelling, 36, 220-228.
Cho, V., 2003. A comparison of three different approaches to tourist arrival forecasting. Tourism management, 24(3), 323-330.
Çuhadar, M., Güngör, İ., and Göksu, A., (2009). Forecasting Tourism Demand by Artificial Neural Networks and Time Series Methods: A Comparative Analysis in Inbound Tourism Demand to Antalya. Suleyman Demirel University the Journal of Faculty of Economics and Administrative Sciences, 14(1), 99-114.
Çuhadar, M. ,Cogurcu, İ. and Kukrer, C. (2014). Modelling and forecasting cruise tourism demand to İzmir by different artificial neural network architectures. International Journal of Business and Social Research, 4(3), 12-28.
Duman S., Alcan Y., and Demir M., (2017, August). Medium term load forecasting by using hybrid regression artificial neural network based on genetic algorithm. 4 rd International Multidisciplinary Congress of Eurasian (IMCOFE). Rome / Italy.
Elmas, Ç., (2010). Yapay Zekâ Uygulamaları. Ankara, Seçkin Yayıncılık.
Güngör, İ, and Çuhadar, M., (2005). Antalya İline Yönelik Alman Turist Talebinin Yapay Sinir Ağları Yöntemiyle Tahmini, Journal of Commerce & Tourism Education Faculty, (1), 84-99.
Karahan, M., (2015). A Case Study On Forecasting Of Tourism Demand with Artificial Neutral Network Method, SuleymanDemirel University the Journal of Faculty of Economics and Administrative Sciences, 20(2), 195-209.
Karasulu, B., (2015). Esnek Hesaplama. Melez Zeki Sistemleri için bir Rehber, Ankara, Nobel Yayın Dağıtım.
Pai, P. F., Hung, K. C., and Lin, K. P., (2014). Tourism demand forecasting using novel hybrid system. Expert Systems with applications, 41(8), 3691-3702.
Obtain Information. (2017). Sinop Provincial Directorate of Culture and Tourism
Soysal, M., and Ömürgönülşen, M., (2010). An Application on Demand Forecasting in the Turkish Tourism Industry. Anatolia: A Journal of Tourism Research, 21(1), 128-136.
Song, H., Wong, K. K., and Chon, K. K., (2003). Modelling and forecasting the demand for Hong Kong tourism. International Journal of Hospitality Management, 22(4), 435-451.
Teixeira, J. P., and Fernandes., P. O., (2014). Tourism time series forecast with artificial neural networks. Tékhne, 12(1), 26-36.
URL-1: www.worldweatheronline.com, (Erişim tarihi: 02.04.2017).