ATM NAKİT TALEP TAHMİNİNDE RNN MİMARİLERİNİN BAŞARIMI: LSTM, GRU, Bi-LSTM VE CNN-LSTM

Şenocak H., Adar T., Şirin B. T.

Black Sea Journal of Engineering and Science, cilt.9, sa.5, ss.2156-2174, 2026 (TRDizin)

Özet

Bu çalışmada, Kaggle’da açık erişimli olarak paylaşılan, beş farklı ATM’ye ait günlük nakit çekim verilerini içeren veri seti kullanılarak tekrarlayan sinir ağı (Recurrent Neural Network – RNN) tabanlı dört derin öğrenme mimarisinin (LSTM, GRU, Bi-LSTM ve CNN-LSTM) tahmin başarımı karşılaştırmalı olarak incelenmiştir. Verinin yapısal özelliklerinin anlaşılabilmesi için keşifsel veri analizleri yapılmış ve analiz sonucunda ATM'ler arasında belirgin ölçek farklılıkları, haftalık periyodiklik, güçlü otokorelasyon yapıları ve 2015 yılı sonrasında eşzamanlı yapısal bozulmalar tespit edilmiş; bu bulgular doğrultusunda analiz dönemi sınırlandırılarak gecikmeli, hareketli istatistiksel ve takvim temelli yeni öznitelikler üretilmiştir. Modelleme aşamasında her bir mimari iki farklı girdi ile eğitilmiştir, bunlar; yalnızca geçmiş çekim tutarlarını kullanan tek değişkenli ve gecikmeli, hareketli istatistik ile takvim/tatil bilgilerinden türetilen 27 öznitelikten oluşan çok değişkenli girdi yapılarıdır. Ayrıca, 7, 14 ve 30 günlük geri bakış pencereleri altında ileri yönlü doğrulama yaklaşımıyla yapılan model eğitimi sürecinde toplam 120 deney gerçekleştirilmiştir. Bulgular, çok değişkenli girdi yapısının dört mimaride de tek değişkenli yapıya kıyasla daha düşük SMAPE değerleri ürettiğini ve en iyi sonuçların tamamının çok değişkenli yapıda gerçekleştiğini göstermiştir. Model bazında en düşük ortalama SMAPE değerine çok değişkenli GRU mimarisi (%36,63) ulaşırken, ATM bazında en iyi tahmin Bi-LSTM mimarisi ile Big Street ATM'sinde elde edilmiştir (%19,12). Geri bakış penceresinin uzunluğunun model başarımı üzerindeki etkisi sınırlı düzeyde kalmış; çoğu mimaride 14 günlük pencere optimal sonuç vermiştir. Çalışma sonunda, RNN tabanlı modellerin nakit talep tahmininde etkili bir şekilde kullanılabileceği görülmüştür. Ayrıca ATM'ler arasında gözlenen talep davranışı farklılıklarının model performansları üzerinde belirleyici olduğu ve tek bir modelin tüm ATM'lerde benzer başarı düzeyine ulaşmasının kolay olmadığı görülmüştür.
This study comparatively examines the prediction performance of four recurrent neural network (RNN)-based deep learning architectures (LSTM, GRU, Bi-LSTM, and CNN-LSTM) using a dataset containing daily cash withdrawal data from five different ATMs that is openly accessible on Kaggle. Exploratory data analysis was conducted to understand the structural characteristics of the data. The analysis revealed significant scale differences among ATMs, weekly periodicity, strong autocorrelation structures, and concurrent structural breaks after 2015. Based on these findings, the analysis period was limited, and new lagged, moving statistical, and calendar-based features were generated. During the modelling phase, each architecture was trained using two different input structures. The first was a univariate structure that used only historical withdrawal amounts, while the second was a multivariate structure consisting of 27 features derived from lagged variables, moving statistics, and calendar/holiday information. Additionally, a total of 120 experiments were conducted during the training process using a forward validation approach under 7-, 14-, and 30-day back sight windows. The findings showed that the multivariate input structure produced lower SMAPE values than the univariate structure across all four architectures, and the best results were consistently achieved with the multivariate structure. At the model level, the lowest average SMAPE value was obtained with the multivariate GRU architecture (36.63%), while the best ATM-level prediction performance was achieved by the Bi-LSTM architecture for the Big Street ATM (19.12%). The effect of back sight window length on model performance remained limited; however, a 14-day window yielded optimal results for most architecture. In conclusion, the study demonstrated that RNN-based models can be effectively used for cash demand forecasting. Furthermore, differences in demand behavior among ATMs were found to have a decisive impact on model performance, and it was not easy for a single model to achieve a similar level of success across all ATMs.