Bu çalışma, Colorado eyaletindeki Boulder kentinde 2018-2025 döneminde kaydedilen elektrikli araç şarj enerjisi verilerini kullanarak günlük ve yıllık enerji talebini tahmin etmektedir. Araştırmada ağaç tabanlı XGBoost ve LightGBM modelleri ile CNN-LSTM ve GRU derin öğrenme modelleri karşılaştırılmış; şarj kayıtları meteorolojik değişkenler, takvim özellikleri, şarj istasyonu kullanım göstergeleri, gecikmeli değerler ve hareketli pencere istatistikleriyle birleştirilmiştir. Günlük tahmin ölçütlerinde en iyi sonuç XGBoost tarafından elde edilmiştir: NMAE %6,5758, NRMSE %8,8034, R² 0,9075 ve MAPE %6,6540. Bununla birlikte sonuçlar tek bir kentin şarj ağına, açıklanmayan bazı model hiperparametrelerine ve gelecekteki kullanım değişkenlerinin nasıl üretildiği belirtilmeyen bir tahmin düzenine dayandığından farklı şehir ve şebekelere doğrudan genellenemez.

Gerçek 2025 şarj enerjisi tüketimi 520.594,449 kWh olarak hesaplanmıştır. Altyapı kapasitesinin eksik planlanmasını azaltmak amacıyla yıllık tahminlere yaklaşık %1 güvenlik payı uygulanmış ve dört model de 2025 için yaklaşık 525.800 kWh düzeyine kalibre edilmiştir. Bu nedenle modeller arasındaki temel karşılaştırma, birbirine bilinçli biçimde yaklaştırılan 2025 yıllık toplamlarından ziyade günlük hata ölçütlerine dayanmalıdır. Modellerin 2026 toplam enerji tahminleri 575.387,001 ile 638.291,622 kWh arasında değişmiş; iki ağaç tabanlı model 635.226,756-638.291,622 kWh aralığında sonuç üretmiştir.

Türkiye açısından çalışma, elektrikli araç şarj altyapısının yalnızca mevcut araç sayısına göre değil; istasyon kullanımı, şarj süresi, hava koşulları, takvim etkileri ve geçmiş tüketim örüntüleri birlikte değerlendirilerek planlanabileceğini göstermektedir. Ancak Boulder verileriyle eğitilen model sonuçları Türkiye için doğrudan kapasite hedefi olarak kullanılamaz. Türkiye’de uygulanacak bir sistemin yerel istasyon kayıtları, bölgesel iklim, tatil takvimi, kullanım davranışları, şarj gücü dağılımları ve elektrikli araç yaygınlaşma eğilimleriyle yeniden eğitilmesi ve gerçek ileri tarihli veriler üzerinde doğrulanması gerekir.

Araştırmanın temel sorusu nedir?

Araştırmanın temel sorusu, yapılandırılmış elektrikli araç şarj verilerinde ağaç tabanlı makine öğrenmesi yöntemlerinin mi yoksa sıralı verileri işleyen derin öğrenme modellerinin mi daha doğru günlük talep tahmini ürettiğidir. Çalışma ayrıca yıllık kapasite planlamasında talebin eksik tahmin edilmesini azaltmak için sabit bir güvenlik payının tahminlere nasıl uygulanabileceğini incelemektedir.

Karşılaştırmaya alınan dört model şunlardır:

• XGBoost: Hataları ardışık karar ağaçlarıyla azaltan gradyan artırma modeli.
• LightGBM: Yaprak odaklı büyüme kullanan, yapılandırılmış veriler için geliştirilmiş gradyan artırma modeli.
• CNN-LSTM: Yerel zaman örüntülerini evrişim katmanlarıyla, daha uzun süreli bağımlılıkları LSTM katmanlarıyla öğrenen hibrit model.
• GRU: Güncelleme ve sıfırlama kapıları aracılığıyla zaman bağımlılıklarını işleyen tekrarlayan sinir ağı modeli.

Çalışma literatürde hangi boşluğu hedeflemektedir?

Çalışmanın literatür incelemesi; LSTM, GRU, dönüştürücü ağlar, zamansal evrişim ağları, olasılıksal tahmin, topluluk öğrenmesi ve hibrit modellerin elektrikli araç şarj talebinde daha önce kullanıldığını göstermektedir. Araştırmacılar bu birikim içinde, aynı veri ve özellik mühendisliği çerçevesinde iki güçlü ağaç tabanlı yöntem ile iki derin öğrenme yöntemini karşılaştıran ve yıllık altyapı planlamasına yönelik sabit güvenlik payı uygulayan bir düzen önermektedir.

Çalışmanın özgün yaklaşımı yalnızca en düşük tahmin hatasını aramak değildir. Araştırmacılar, kapasite planlamasında gerçek talebin altında kalan tahminin istasyon yetersizliğine yol açabileceği düşüncesiyle 2025 yıllık toplamını gerçek tüketimin yaklaşık %1 üzerinde tutan bir kalibrasyon kullanmıştır. Bununla birlikte bu güvenlik payı istatistiksel güven aralığı veya olasılıksal belirsizlik modeli değildir; önceden belirlenmiş sabit bir planlama marjıdır.

Veri seti nasıl oluşturulmuştur?

Hedef değişken, günlük toplam elektrikli araç şarj enerjisidir ve kilovat-saat cinsinden ölçülmüştür. Ham veriler şarj oturumu düzeyindedir. Aynı gün içindeki bütün şarj oturumlarının enerji miktarları toplanarak günlük tüketim oluşturulmuştur. Günlük toplamların yıllık toplamlarla karşılaştırılmasında 2018-2025 döneminin tamamı için farkın sıfır olduğu bildirilmiştir. Bu kontrol, oturum verilerinin günlere dönüştürülmesi sırasında yıllık enerji toplamının kaybolmadığını göstermektedir.

Yıllık tüketim grafiği, serinin doğrusal ve kesintisiz bir büyüme izlemediğini göstermektedir. Özellikle 2020 düşüşü, 2022 sıçraması, 2024'teki sınırlı gerileme ve 2025'teki güçlü artış, modelin yalnızca basit bir doğrusal trendden daha karmaşık örüntüler öğrenmesini gerektirmektedir. Çalışma bu değişimlerin nedensel açıklamasını doğrudan test etmemektedir.

Hangi girdi değişkenleri kullanılmıştır?

Model girdileri beş ana grupta toplanabilir.

Meteorolojik ve dışsal değişkenler

• Maksimum ve minimum sıcaklık
• Yağış
• Kar ve kar kalınlığı
• Anlık, minimum, maksimum ve ortalama nem
• Anlık, minimum, maksimum ve ortalama basınç
• COVID varlığı ve COVID şiddeti göstergeleri
• Tatil günleri

COVID göstergelerinin ve tatil değişkenlerinin nasıl kodlandığı, hangi eşiklerin kullanıldığı veya gelecekteki değerlerinin nasıl belirlendiği açıklanmamıştır. Tatil bilgisi de meteorolojik değil, dışsal bir takvim değişkenidir; kaynakta bu unsurlar aynı özellik listesi içinde sunulmuştur.

Şarj ağı kullanım özellikleri

• Günlük şarj oturumu sayısı
• Aktif istasyon sayısı
• Şarj saatleri
• Toplam oturum süresi

Bu değişkenler günlük enerji tüketimiyle doğrudan ilişkili kullanım göstergeleridir. Ancak gerçek bir gelecek tahmininde gelecekteki oturum sayısı, aktif istasyon sayısı ve toplam şarj süresinin önceden nasıl bilineceği veya ayrıca nasıl tahmin edileceği açıklanmamıştır. Bu eksiklik, özellikle 2026 tahminlerinin sahada yeniden üretilebilmesi açısından önemlidir.

Takvim özellikleri

• Yıl, ay ve ayın günü
• Haftanın günü ve yılın günü
• Yılın haftası
• Hafta sonu göstergesi
• Ay, haftanın günü ve yılın günü için sinüs-kosinüs dönüşümleri

Sinüs ve kosinüs dönüşümleri, Aralık ile Ocak veya pazar ile pazartesi gibi çevrimsel olarak birbirine yakın dönemlerin sayısal olarak da yakın temsil edilmesini amaçlamaktadır.

Gecikmeli enerji değerleri

Model girdilerine önceki 1, 2, 3, 7, 14, 30, 60, 90 ve 365 günün enerji tüketimi eklenmiştir. Kısa gecikmeler günlük değişimleri, 7 ve 14 günlük gecikmeler haftalık örüntüleri, 365 günlük gecikme ise yıllık mevsimselliği temsil etmeyi amaçlamaktadır.

Hareketli pencere istatistikleri

Önceki 7, 14 ve 30 gün için hareketli ortalama, standart sapma, minimum ve maksimum değerler hesaplanmıştır. Bu istatistikler modelin yalnızca tek bir önceki güne değil, yakın dönemdeki genel seviye, oynaklık ve uç değerlere de bakmasını sağlamaktadır.

İş akışı nasıl ilerlemektedir?

Çalışmanın iş akışı şeması iki veri kaynağıyla başlamaktadır: 2018-2025 Boulder şarj oturumu kayıtları ve günlük hava verileri. Zaman damgalarının dönüştürülmesi, geçersiz satırların çıkarılması, günlük enerji toplulaştırması ve tarihlerin eşleştirilmesinden sonra özellik mühendisliği uygulanmıştır. Aynı özellik seti XGBoost, LightGBM, CNN-LSTM ve GRU modellerine aktarılmıştır.

Şema, genişleyen zaman pencereli bir doğrulama düzeni göstermektedir: önce 2018 ile eğitim ve 2019 ile test, daha sonra 2018-2019 ile eğitim ve 2020 ile test yapılması; bu sürecin 2018-2024 ile eğitim ve 2025 ile teste kadar ilerletilmesi öngörülmüştür. Ana yöntem açıklamasında ise nihai doğrulama özellikle 2018-2024 eğitim dönemi ve 2025 test dönemi üzerinden tanımlanmıştır. Modeller daha sonra 2018-2025 verilerinin tamamıyla yeniden eğitilerek 2026 tahmini üretilmiştir.

Güvenlik payı neden uygulanmıştır?

Şarj altyapısının eksik kapasiteyle kurulması, gerçek tüketimin tahmin edilenden yüksek olduğu dönemlerde hizmet yetersizliğine yol açabilir. Araştırmacılar bu riski azaltmak için 2025 yıllık enerji toplamını gerçek değerin yaklaşık %1 üzerinde tutacak bir kalibrasyon uygulamıştır.

Bu işlemin önemli bir sonucu vardır: 2025 yıllık tahminleri modellerin doğal veya ham toplam tahminleri değildir. Tahminler bilerek aynı yıllık hedefe yaklaştırılmıştır. Bu nedenle XGBoost'un daha iyi model olduğuna ilişkin kanıt, 2025 toplamının gerçek değere yakınlığından değil; NMAE, NRMSE, R² ve MAPE gibi günlük performans ölçütlerinden gelmektedir.

Grafikler ve tablolar ne göstermektedir?

Model ölçütlerini karşılaştıran grafikte XGBoost, hem NMAE hem NRMSE hem de MAPE bakımından en düşük hata değerlerine ve en yüksek R² değerine sahiptir. LightGBM bütün ölçütlerde XGBoost'a yakın ikinci sıradadır. Derin öğrenme modellerinde GRU, NMAE ve MAPE açısından CNN-LSTM'den daha iyi; CNN-LSTM ise NRMSE ve R² açısından GRU'dan çok az daha iyi sonuç vermiştir.

2025 ve 2026 enerji değerlerini karşılaştıran grafikte bütün modellerin 2025 sütunları yaklaşık 525.800 kWh düzeyinde kümelenmektedir. Bu görünüm bağımsız model benzerliğinden çok güvenlik payı kalibrasyonunun sonucudur. 2026 sütunları ise belirgin biçimde ayrışmaktadır: en düşük tahmin CNN-LSTM, en yüksek tahmin LightGBM tarafından üretilmiştir.

Çalışmanın desteklediği sonuçlar

• Bu veri setinde ve kullanılan özellik mühendisliği düzeninde XGBoost günlük tahminde en iyi sonuçları üretmiştir.
• LightGBM, XGBoost'a yakın performans göstermiş ve en yüksek 2026 toplamını tahmin etmiştir.
• Ağaç tabanlı iki model, günlük hata ölçütlerinde CNN-LSTM ve GRU'dan daha iyi performans göstermiştir.
• Takvim, hava, kullanım, gecikme ve hareketli pencere özelliklerinin birlikte kullanıldığı yapılandırılmış bir tahmin sistemi kurulabilmiştir.
• Sabit güvenlik payı, altyapı planlama tahminini gerçek yıllık toplamın bilinçli biçimde üzerinde tutabilmektedir.

Çalışmanın kanıtlamadığı sonuçlar

• XGBoost'un bütün kentlerde ve bütün elektrikli araç şarj veri setlerinde derin öğrenmeden üstün olduğu kanıtlanmamıştır.
• 2026 yılında gerçek tüketimin kesin olarak 635.000-638.000 kWh olacağı gösterilmemiştir.
• %1 güvenlik payının ekonomik olarak en uygun veya şebeke güvenilirliği açısından yeterli olduğu test edilmemiştir.
• Model sonuçları olasılıksal güven aralığı, aşım olasılığı veya risk dağılımı sunmamaktadır.
• Model, yeni istasyonların nerede kurulması gerektiğini belirlememektedir.
• Çalışma, şarj talebindeki yıllık değişimlerin nedenlerini nedensel olarak açıklamamaktadır.
• Boulder verileriyle elde edilen sonuçlar başka ülke ve şehirlere doğrudan aktarılabilir değildir.

Geçmiş, bugün ve gelecek açısından önemi

Geçmiş dönem verileri, şarj talebinin yıldan yıla düzenli ilerlemediğini ve talep tahmininde hem kısa süreli hem mevsimsel özelliklerin gerekli olduğunu göstermektedir. Bugün açısından çalışma, nispeten klasik ağaç tabanlı modellerin iyi hazırlanmış tablo verilerinde karmaşık derin öğrenme mimarilerinden daha doğru ve daha hızlı olabileceğini ortaya koymaktadır.

Gelecek açısından temel katkı, elektrikli araç şarj altyapısının yalnızca geçmiş toplam tüketim üzerinden değil; kullanıcı etkinliği, istasyon kullanımı, takvim, hava ve zaman serisi özelliklerinin birlikte işlendiği bir tahmin sistemiyle planlanabileceğini göstermesidir. Bununla birlikte gerçek planlama kararları için maliyet analizi, şebeke kısıtları, bölgesel talep, belirsizlik aralıkları ve ileri tarihli bağımsız doğrulama gereklidir.

Çalışmanın Yöntemi ve Bulguları

Veri ön işleme

Bir günde gerçekleşen bütün şarj oturumlarının enerjisi aşağıdaki toplamla günlük enerjiye dönüştürülmüştür:

\[ E_d = \sum_{i=1}^{n_d} E_i \]

Burada E_d, d günündeki toplam şarj enerjisini; E_i, aynı gündeki i numaralı şarj oturumunun enerjisini; n_d ise o gün gerçekleşen toplam oturum sayısını göstermektedir. Enerji birimi kWh'dir.

Çevrimsel takvim dönüşümü

\[ X_{\sin} = \sin\left(\frac{2\pi X}{P}\right) \]

\[ X_{\cos} = \cos\left(\frac{2\pi X}{P}\right) \]

X, ay veya haftanın günü gibi çevrimsel takvim değişkenini; P ise değişkenin periyodunu temsil etmektedir. Örneğin ay değişkeni için periyot 12'dir. İki dönüşüm birlikte kullanıldığında dönemin çevrim içindeki konumu tek bir doğrusal sayı yerine dairesel biçimde temsil edilir.

Gecikme ve hareketli ortalama özellikleri

\[ \mathrm{Lag}_k(d) = E_{d-k} \]

Lag_k(d), tahmin edilen günden k gün önce ölçülen enerji tüketimidir.

\[ \mathrm{RollingMean}_k(d) = \frac{1}{k}\sum_{i=1}^{k}E_{d-i} \]

Bu denklem, tahmin gününden önceki k günün ortalama enerji tüketimini hesaplamaktadır. Çalışmada k değeri 7, 14 ve 30 gün olarak kullanılmış; aynı pencereler için standart sapma, minimum ve maksimum değerler de oluşturulmuştur.

XGBoost amaç fonksiyonu

\[ \mathrm{Obj} = \sum_{i=1}^{n}L(y_i,\hat{y}_i) + \sum_{k=1}^{K}\Omega(f_k) \]

L, gerçek değer y_i ile tahmin \hat{y}_i arasındaki kaybı; Ω(f_k) ise k numaralı ağacın karmaşıklığını sınırlayan düzenlileştirme terimini göstermektedir. Amaç, yalnızca eğitim hatasını azaltmak değil, aşırı karmaşık ağaçların oluşturduğu aşırı uyumu da kontrol etmektir.

CNN-LSTM giriş dizisi

\[ X_t = [x_{t-29},x_{t-28},\ldots,x_t] \]

Modelde 30 günlük bir giriş dizisi kullanılmıştır. Evrişim katmanları bu dizideki kısa süreli yerel örüntüleri, LSTM katmanları ise daha uzun zamansal ilişkileri öğrenmeyi amaçlamaktadır. Denklemde giriş dizisinin x_t değerini de içerdiği görülmektedir; ancak x_t içindeki değişkenlerin hedef günün hangi anında kullanılabilir olduğu ayrıntılı biçimde açıklanmamıştır.

GRU kapı mekanizması

\[ z_t = \sigma(W_zx_t + U_zh_{t-1}) \]

\[ r_t = \sigma(W_rx_t + U_rh_{t-1}) \]

\[ h_t = (1-z_t)h_{t-1} + z_t\tilde{h}_t \]

z_t güncelleme kapısını, r_t sıfırlama kapısını, h_t güncel gizli durumu ve x_t zaman t'deki girdiyi ifade etmektedir. Güncelleme kapısı eski bilginin ne kadarının korunacağını, sıfırlama kapısı ise geçmiş bilginin yeni aday duruma ne ölçüde aktarılacağını kontrol eder. Kaynakta aday gizli durum \tilde{h}_t için ayrı hesaplama denklemi verilmemiştir.

Eğitim ve doğrulama

• 2025 doğrulaması: 2018-2024 verileriyle eğitim, 2025 verileriyle tahmin.
• 2026 tahmini: 2018-2025 verilerinin tamamıyla yeniden eğitim, 2026 için ileri tahmin.
• Zaman sırası: Rastgele eğitim-test ayrımı yerine kronolojik ayrım kullanılmıştır.
• Şemadaki ek doğrulama: 2019'dan 2025'e kadar genişleyen yıllık eğitim pencereleri gösterilmiştir.

Kronolojik ayrım, geleceğin geçmiş verilerle tahmin edildiği gerçek kullanım biçimine rastgele veri bölmesinden daha yakındır. Ancak yıllara göre ara doğrulama sonuçlarının ayrı tabloları, yıllar arasındaki performans değişimi ve hiperparametre seçiminin hangi dönem üzerinde yapıldığı verilmemiştir.

%1 güvenlik payı kalibrasyonu

\[ \hat{E}_{2025}^{\mathrm{safety}} = E_{2025}^{\mathrm{actual}}\times1{,}01 \]

Bu denklem gerçek 2025 tüketiminin %101'ini planlama hedefi olarak belirlemektedir. 520.594,449 kWh için teorik hedef yaklaşık 525.800,393 kWh'dir.

\[ \hat{y}_t^{\mathrm{calibrated}} = C\times\hat{y}_t^{\mathrm{raw}} \]

C, ham günlük tahminleri yıllık güvenlik hedefiyle uyumlu hâle getiren çarpandır. Çalışmada C'nin açık hesaplama denklemi verilmemiştir; yöntem açıklamasından, ham günlük tahminlerin toplamını hedef yıllık enerjiye taşıyan ölçekleme katsayısı olduğu anlaşılmaktadır.

Bu kalibrasyon, tahmin belirsizliğini ölçmez. Sabit %1 ekleme, geçmiş tahmin hatalarının dağılımına, güven düzeyine, aşırı talep olasılığına veya altyapı maliyetine göre optimize edilmemiştir.

Değerlendirme ölçütleri

Normalize Ortalama Mutlak Hata

\[ \mathrm{NMAE}(\%) = \frac{\frac{1}{n}\sum_{i=1}^{n}|y_i-\hat{y}_i|}{\frac{1}{n}\sum_{i=1}^{n}y_i}\times100 \]

NMAE, günlük mutlak hatanın gerçek günlük talep ortalamasına oranını gösterir. Daha düşük değer daha iyi tahmin anlamına gelir.

Normalize Kök Ortalama Kare Hata

\[ \mathrm{NRMSE}(\%) = \frac{\sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}}{\frac{1}{n}\sum_{i=1}^{n}y_i}\times100 \]

NRMSE, büyük hataları karesini aldığı için daha güçlü biçimde cezalandırır. Daha düşük değer daha iyidir.

Belirleme katsayısı

\[ R^2 = 1-\frac{\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}{\sum_{i=1}^{n}(y_i-\bar{y})^2} \]

R², modelin günlük enerji tüketimindeki değişkenliği ne ölçüde açıkladığını gösterir. Genel yorumda daha yüksek R² daha iyi uyuma işaret eder.

Ortalama Mutlak Yüzde Hata

\[ \mathrm{MAPE} = \frac{100}{n}\sum_{i=1}^{n}\left|\frac{y_i-\hat{y}_i}{y_i}\right| \]

MAPE, günlük hatayı gerçek değerin yüzdesi olarak ifade eder. Çalışma, gerçek günlük değerin sıfır olduğu günlerde yapılacak işlemi açıklamamıştır.

Yıllık hata

\[ \mathrm{YearlyError} = \frac{\sum_{i=1}^{n}\hat{y}_i-\sum_{i=1}^{n}y_i}{\sum_{i=1}^{n}y_i}\times100 \]

Pozitif değer, yıllık tahminin gerçek tüketimin üzerinde; negatif değer ise altında kaldığını gösterir. Bu çalışmada yaklaşık +%1 değer, modelin kendiliğinden oluşan hatası değil, planlama amaçlı kalibrasyonun hedeflenen sonucudur.

Model performanslarının karşılaştırılması

XGBoost'un NMAE değeri LightGBM'den 0,1902 yüzde puan, MAPE değeri ise 0,0940 yüzde puan daha düşüktür. İki model arasındaki fark küçük olmakla birlikte bütün ölçütler aynı sıralamayı desteklemektedir.

2025 ve 2026 enerji tahminleri

2026 tahminlerinin birbirinden önemli ölçüde ayrılması, ileri dönem sonucunun model seçimine duyarlı olduğunu göstermektedir. Özellikle CNN-LSTM ile LightGBM arasındaki fark yaklaşık 62.904,621 kWh'dir. Çalışma bu farklılık için tahmin aralığı, model ağırlıklandırması veya belirsizlik dağılımı sunmamaktadır.

Çalışma süreleri

Deney ortamı Windows tabanlı, AMD Ryzen 7 işlemcili ve 16 GB RAM'li bir sistem olarak tanımlanmış; modellerin Python 3.11 ve Google Colab kullanılarak geliştirildiği belirtilmiştir. XGBoost, TensorFlow/Keras, Scikit-learn, Pandas, NumPy ve Matplotlib kütüphaneleri kullanılmıştır. Yerel sistem ile Google Colab kaynaklarının hangi işlemlerde kullanıldığı ayrıntılandırılmadığı için sürelerin farklı donanımlarda doğrudan karşılaştırılması uygun değildir.

Kaynak içindeki tutarlılık sorunları

• Metinde XGBoost'un 2026 tahmini bir yerde 635.226,750 kWh, sonuç tablosunda 635.226,756 kWh ve grafikte yuvarlanmış olarak 635.227 kWh verilmiştir. Tablodaki 635.226,756 kWh değeri karşılaştırma tablosunda korunmuştur.
• GRU'nun 611.762,353 kWh ile dört model arasındaki en düşük 2026 tahminini verdiği yazılmıştır; ancak CNN-LSTM tahmini 575.387,001 kWh olduğundan bu ifade tabloyla çelişmektedir.
• Sonuç özetinde 2026 talebinin “2025'ten 633.000-638.000 kWh daha fazla” olduğu yönünde bir ifade bulunmaktadır. Tablolar bu sayıların artış miktarı değil, ağaç tabanlı modellerin yaklaşık toplam 2026 tahminleri olduğunu göstermektedir.
• Değerlendirme ölçütlerinin açıklamasında düşük R² değerinin daha iyi olduğu anlamına gelebilecek bir cümle yer almaktadır. Verilen R² denklemi ve model seçimi ise doğru biçimde daha yüksek R² değerini üstün kabul etmektedir.
• Güvenlik payı denklemindeki E₂₀₂₅^actual gerçek enerji olarak gösterilirken açıklama metninde “kalibrasyon öncesi ham tahmin” olarak tanımlanmıştır. Denklem, tablo ve 520.594,449 kWh değeri bunun gerçek ölçülen tüketim olduğunu desteklemektedir.
• Sonuç bölümünde güçlü modeller için yaklaşık 633.000-638.000 kWh aralığı verilmiştir. Ayrıntılı tabloda XGBoost ve LightGBM değerleri yaklaşık 635.227-638.292 kWh aralığındadır.

Temel yöntemsel sınırlılıklar

• Çalışma tek bir kentin şarj kayıtlarına dayanmaktadır.
• Şarj istasyonu sayısı, toplam oturum sayısı, eksik gün sayısı ve ham veri büyüklüğü açıklanmamıştır.
• Veri temizliğinde kaç satırın çıkarıldığı belirtilmemiştir.
• XGBoost ve LightGBM için ağaç sayısı, derinlik, öğrenme oranı ve düzenlileştirme ayarları verilmemiştir.
• CNN-LSTM ve GRU için katman sayısı, hücre sayısı, aktivasyon, optimize edici, öğrenme oranı, epoch, batch büyüklüğü ve erken durdurma ayarları verilmemiştir.
• Hiperparametre arama yöntemi ve ayrı bir doğrulama kümesi açıklanmamıştır.
• Gelecekteki hava, oturum sayısı, aktif istasyon, şarj süresi ve toplam kullanım süresi girdilerinin 2026 için nasıl üretildiği belirtilmemiştir.
• 2026 tahmininde gecikmeli değerlerin gün gün nasıl ilerletildiği açıklanmamıştır.
• %1 güvenlik payı istatistiksel veya ekonomik optimizasyonla gerekçelendirilmemiştir.
• Olasılıksal tahmin aralığı veya model belirsizliği sunulmamıştır.
• Kod, doğrudan indirilebilir veri seti ve tam model parametreleri paylaşılmamıştır; veri yalnızca talep üzerine sağlanacaktır.
• 2026 tahminleri henüz gerçekleşmiş bağımsız tüketim verisiyle doğrulanmamıştır.

Kaynak ve Yöntem Notu

Çalışmanın tam özgün adı: Evaluating Machine Learning and Deep Learning Techniques for Electric Vechicle Load Forecasting

Yazarlar ve sıraları: John Pradeep Darsy; Mahesh Gunti.

Eş birinci yazarlık: Eş birinci yazarlık veya eş katkı bilgisi belirtilmemiştir.

İletişim yazarı: John Pradeep Darsy, SSRN kayıt sayfasında iletişim yazarı olarak gösterilmektedir.

Kurumsal bağlantılar: John Pradeep Darsy için SSRN üzerinde kurum bilgisi verilmemiştir. Mahesh Gunti'nin kurumu VIT-AP University olarak listelenmektedir.

DOI: 10.2139/ssrn.7200041

Dergi: Hakemli bir dergi veya kabul edilmiş dergi sürümü doğrulanamamıştır.

Yayın platformu: SSRN.

Özgün yayınevi: Çalışmaya ait nihai bir dergi yayınevi bulunmamaktadır. SSRN, Elsevier'in preprint ve erken araştırma platformudur; hakemli dergi veya nihai yayıncı olarak değerlendirilmemelidir.

Yayın yılı: 2026.

Kaynak türü: Elektrikli araç şarj talebi üzerine veri analizi ve tahmin modellemesi içeren araştırma preprinti.

Hakemlik durumu: Bu çalışma hakem değerlendirmesinden geçmemiş bir preprinttir; sonuçları bu sınırlılık dikkate alınarak okunmalıdır.

Resmî kaynak:SSRN resmî çalışma sayfası

DOI bağlantısı:https://doi.org/10.2139/ssrn.7200041

Bu Türkçe açıklama, yüklenen çalışma metni; denklemler, tablolar, iş akışı şeması ve grafikler baştan sona incelenerek hazırlanmıştır. Dış kaynaklar yalnızca yazarlar, iletişim yazarı, kurum, DOI, kayıt tarihi ve yayın platformu gibi bibliyografik kimlik bilgilerinin doğrulanması için kullanılmıştır. Çalışmanın esas bilimsel bulgularına dış kaynaklardan yeni sonuç eklenmemiştir.

Çalışmanın başlıca sınırlılıkları; tek kent verisi, eksik hiperparametre bilgileri, gelecekteki kullanım ve hava değişkenlerinin nasıl üretildiğinin açıklanmaması, sabit güvenlik payının istatistiksel belirsizlik modeli olmaması, ileri tarih tahminlerinin bağımsız gerçek verilerle henüz doğrulanmaması ve kaynak içindeki bazı sayı ve yorum tutarsızlıklarıdır. Bulgular bu veri seti ve kurulan modelleme düzeniyle sınırlıdır.