Abstract
Ulaştırma sektörünün hızlı büyümesi ve buna bağlı emisyonlar, çevresel sürdürülebilirliğin sağlanması önem teşkil etmektedir. Bu nedenle, ulaştırma emisyonlarının türetilme faktörünün anlaşılması son derece önemlidir. Artan ulaşım emisyonları karşısında elektrikli araçların (EA) rolü kullanımının yaygınlaştırılması önemlidir. Elektrikli araçlar düşük karbon ekonomisine ve sürdürülebilir çevreye giden yolu açmaktadır. Elektrikli araçların başarılı bir şekilde yaygınlaştırılması, büyük ölçüde enerji tüketimini verimli ve güvenilir bir şekilde tahmin edebilen enerji tüketim modellerine dayanmaktadır. Elektrikli araçların enerji tüketim verimliliğinin artırılması, sürücü endişesinin hafifletilmesine önemli ölçüde yardımcı olacak ve şarj altyapısının işletilmesi, planlanması ve yönetimi için temel bir çerçeve sağlayacaktır. Elektrikli araçların enerji tüketimi tahminindeki zorlukların üstesinden gelmek için veriler Japonya'nın Aichi Eyaletinde toplanmıştır. Çalışmada, elektrikli araçların enerji tüketiminin tahmini için geleneksel makine öğrenimi modelleri, Multi Output, Gradient Boosting, XGBoost ve Random Forest kullanılmıştır. Tahmin modellerinin performansını değerlendirmek için belirleme katsayısı (R^2), kök ortalama kare hatası (RMSE) ve ortalama mutlak hata (MAE) değerlendirme ölçütleri kullanılmıştır. Tahmin sonuçları, Gradient Boosting ve Multi Output birleşimi ile oluşturulan regresyon modeli iyi performans gösterdiğini ortaya koymaktadır. Daha yüksek R^2 değerlerine, daha düşük MAE ve RMSE değerlerine sahip Gradient Boosting ve Multi Output tabanlı modellerin daha doğru olduğu kanıtlanmıştır. Farklı girdi değişkenlerinin elektrikli araçların enerji tüketimi tahmini üzerindeki etkisini ve göreceli etkisini göstermek için ayrıntılı bir önemli özellik analizi gerçekleştirilmiştir. Sonuçlar, gelişmiş bir makine öğrenmesi modelinin elektrikli araçların enerji tüketiminin tahmin performansını artırabileceğini göstermektedir.