Yesim Aygul

Ms. Yesim Aygul

Computer Engineering, Izmir Bakircay University, İzmir, Turkey (Türkiye)

Research Focus & Metrics

Academic Career Length

4Years (2023-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
24 December 2024 in Ad Hoc Networks
Verified
Journal Article
Closed access
OUOnur Ugurlu
Onur Ugurlu
NANusin Akram
Nusin Akram
Yesim AygulYesim Aygul
Yesim Aygul
VAVahid Akram
Vahid Akram
ODOrhan Dagdeviren
Orhan Dagdeviren

29 December 2023 in Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi
Verified
Journal Article
Closed access
DPDilara Elize Pamukçu
Dilara Elize Pamukçu
Yesim AygulYesim Aygul
Yesim Aygul
OUOnur Ugurlu
Onur Ugurlu
Stock market index data, foreign currency, and gold have an important place in financial time series. Therefore, value or direction of movement estimation studies on this subject attracts the attention of both investors and researchers. This study aims to estimate the daily value of the US Dollar, Gold, and Borsa Istanbul (XU) 100 index using deep learning methods: Recurrent Neural Networks and Long-Short-Term Memory. A data set consisting of 2280 business days between 2013-2022, which includes the date, US Dollar, Gold, and XU 100 closing data, was used in the study. Mean absolute error, mean square error, root mean square error, and coefficient of determination were used to evaluate the performance of the developed prediction models. When the results were examined, it was seen that the Long-Short-Term Memory algorithm performs better than the Recurrent Neural Network algorithm and achieved a determination coefficient value of over 95% for the US Dollar, Gold, and XU 100 index. Moreover, the findings obtained in the study indicate that deep learning algorithms can show high prediction performance on financial time series without using extra independent variables.

26 August 2025
Verified
Conference Paper
Closed access
OUOnur Ugurlu
Onur Ugurlu
Yesim AygulYesim Aygul
Yesim Aygul
VAVahid Akram
Vahid Akram
UNUrfat Nuriyev
Urfat Nuriyev
Ensuring reliable communication in Wireless Multi-hop Networks is challenging due to their dynamic and decentralized nature. Even a single node failure can disrupt active routes and degrade network performance. One common approach to mitigate this risk is to precompute alternative paths that can be activated upon failure of a primary route. In this paper, we evaluate and compare three practical alternative path selection algorithms -Modified Dijkstra with Penalty, Prioritybased Depth-First Search, and Breadth-First Search-based Exchange Strategy -under node failure scenarios. The performance of the algorithms is evaluated through simulationbased analysis across synthetic topologies generated as geometric random graphs with degree constraints on a Euclidean plane. The results demonstrate that the Modified Dijkstra with Penalty algorithm achieves the highest success rates in maintaining connectivity.

16 May 2026 in Applied Sciences
Verified
Journal Article
Open access
PDF file
NCNihan Sena Cifci
Nihan Sena Cifci
MKMelike Karatay
Melike Karatay
YDYasemin DEMİREL
Yasemin DEMİREL
Yesim AygulYesim Aygul
Yesim Aygul
OUOnur Ugurlu
Onur Ugurlu
Forecasting scrap steel prices is crucial for the economic sustainability of recycling operations, yet it remains challenging due to inherent volatility and non-stationary behavior. In this study, we develop and evaluate a delta-targeted Hybrid forecasting pipeline for short horizons of 1, 3, and 7 days. We benchmark classical baselines (Naive, Seasonal Autoregressive Integrated Moving Average (SARIMA), and Exponential Smoothing (ETS)) against recurrent deep learning models (Simple Recurrent Neural Network (RNN), Gated Recurrent Unit (GRU), and Long Short-Term Memory (LSTM)) and recent neural forecasting baselines, including Decomposition-Linear (DLinear), Convolutional Kolmogorov–Arnold Network (C-KAN), and Neural Basis Expansion Analysis for Time Series (N-BEATS), using real-world daily scrap steel price data. The results indicate that delta-targeting generally yields more stable predictive performance than direct raw-price forecasting as the prediction horizon increases. For example, at the 7-day horizon, the predictive fit improves from approximately R2≈0.87 for raw-price LSTM to around R2≈0.90 for delta-trained recurrent models. At the same horizon, a delta-based RNN achieves the lowest Mean Absolute Percentage Error (MAPE) among the evaluated models (approximately 1.39%), while the proposed Hybrid model remains competitive across all tested horizons and maintains a goodness-of-fit of approximately R2≈0.90 without uniformly minimizing point error relative to the best-performing recurrent baseline. Attention profiling and permutation-based feature importance analyses indicate that the model places relatively higher weight on calendar-related inputs, consistent with the presence of weekly patterns in the data; these results should be interpreted as sensitivity diagnostics rather than causal evidence. Overall, the findings suggest that delta-transformed targets provide a more suitable prediction space than raw-price targets for short-horizon scrap steel forecasting, while the Hybrid design offers a balanced combination of predictive performance and diagnostic interpretability for operational decision support.

15 June 2025 in Gümüşhane Üniversitesi Fen Bilimleri Enstitüsü Dergisi
Verified
Journal Article
Open access
PDF file
OUOnur Ugurlu
Onur Ugurlu
Yesim AygulYesim Aygul
Yesim Aygul
Ağlar, karmaşık sistemlerin modellenmesinde ve analiz edilmesinde kritik bir rol oynar; bu nedenle ağ analizleri hem sosyal hem de teknolojik sistemlerde önemli veriler sağlar. Bu çalışmada, ağlardaki kritik düğümleri tespit etmeyi amaçlayan Kritik Düğüm Problemi (KDP) ele alınmıştır. KDP, bir ağdaki ikili bağlantılılığı minimize eden düğümlerin bulunmasını amaçlayan bir problemdir. Başka bir deyişle, KDP, silinmesiyle ağı benzer boyutlarda çok sayıda segmente bölen düğüm kümesini bulmayı hedefler. Bu problem, sosyal ağlardan biyolojik sistemlere, telekomünikasyon ağlarından kablosuz çok sekmeli ağlara kadar birçok alanda önemli uygulamalara sahiptir. KDP, NP-Zor bir problem olduğundan büyük ölçekli ağlarda optimale yakın etkin çözümlerin bulunması için polinom zamanlı algoritmalara ihtiyaç duyulmaktadır. Bu çalışmanın temel motivasyonu, özellikle büyük ölçekli ağlar üzerinde optimale yakın çözümler bulabilecek polinom zamanlı bir algoritma geliştirmektir. Çalışmada önerilen TrimCut algoritması, ağın dayanıklılığını azaltan kritik düğümleri belirlemek için üç aşamalı bir süreç kullanmaktadır. İlk aşamada, ağdan yüksek dereceli düğümler çıkarılarak ağ seyreltilir, ardından ikinci aşamada Derinlik Öncelikli Arama ağacı ile kesim düğümleri tespit edilir. Son aşamada ise ağdaki kritik düğümler tespit edilir. Önerilen algoritmanın performansı, literatürdeki mevcut algoritmalarla karşılaştırılmıştır. Hesaplamalı deneyler, TrimCut algoritmasının mevcut kütüphane örnekleri üzerindeki hata oranının %6’nın altında olduğunu ve büyük ölçekli ağlarda kaliteli çözümler bulabildiğini göstermektedir.

1 September 2025 in Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi
Verified
Journal Article
Closed access
Yesim AygulYesim Aygul
Yesim Aygul
OUOnur Ugurlu
Onur Ugurlu
VAVahid Akram
Vahid Akram
DEDeniz Türsel Eliiyi
Deniz Türsel Eliiyi
Bu çalışma, trafik ağlarının etkin yönetimi ve optimizasyonu için önemli bir problem olan Kritik Kenar Problemine odaklanmaktadır. Kritik Kenar Problemi, ağdan çıkarılması ile ağın bağlantısallığına en çok zarar verecek kenar kümesini belirlemeyi amaçlayan bir optimizasyon problemidir. Kritik Kenar Problemi trafik yönetimi, acil durum müdahaleleri, altyapı yatırımları ve ağ dayanıklılığını artırma gibi çok sayıda önemli uygulama alanına sahiptir. Bu çalışmanın temel motivasyonu özellikle büyük ölçekli gerçek hayat ağları üzerinde verimli bir şekilde kullanılabilecek yeni bir polinom zamanlı algoritmanın geliştirilmesidir. Geliştirilen algoritmanın efektifliği küçük ölçekli ağlar üzerinde klasik kaba-kuvvet yaklaşımıyla elde edilen optimal sonuçlarla karşılaştırılarak test edilmiştir. Önerilen yöntem, trafik sıkışıklığını azaltma, seyahat sürelerini kısaltma ve çevresel etkileri minimize etme gibi çeşitli kentsel zorluklarla başa çıkma potansiyeli taşımaktadır. Bu araştırma, büyük ölçekli trafik ağlarının anlaşılmasını ve verimli ulaşım sistemlerinin geliştirilmesini teşvik etmek için etkin bir yaklaşım sunmaktadır.