Farklı zaman gecikmeleri ile birleştirilmiş makine öğrenme yöntemleri ile internet trafik tahmin modellerinin geliştirilmesi

Bu tezin amacı İletim Kontrol Protokolü/İnternet Protokolü (TCP/IP) tabanlı ağlardaki İnternet trafik miktarını Destek Vektör Makineleri (SVM), Radyal Tabanlı Fonksiyon Sinir Ağları (RBF), M5P (ağlardaki lineer fonksiyonlu karar ağacı), Rasgele Orman (RF), Rasgele Ağaç (RT), ve İndirgenmiş Hata Budama Ağacını (REP Tree) içeren makine öğrenme yöntemlerini ve Çoklu Lineer Regresyon (MLR) ve Holt-Winters'ı içeren istatiksel regresyon yöntemlerini kullanarak tahmin etmek ve istatiksel ve makine öğrenme yöntemlerinin performanslarını kıyaslamaktır. İnternet trafik tahmin modelleri üretilirken iki farklı İnternet Servis Sağlayıcısından (ISPs) sağlanılan İnternet trafiği verileri kullanılmıştır. Veri setinin ilk %66'sı eğitim kümesi olarak uygulanırken geri kalanı test kümesi olarak kullanılmıştır. Modellerin performansı Ortalama Mutlak Yüzde Hata (MAPE) değeri hesaplanarak değerlendirilmiştir. Sonuçlar, genel olarak SVM tabanlı ve M5P tabanlı modellerin diğer yöntemlerden daha iyi performans elde ettiğini göstermektedir.