Geri Dön

Sarıma ve destek vektör regresyon yönetimleri ile talep tahmini

Demand estimation by sariam method and support vector regression method periods

  1. Tez No: 561295
  2. Yazar: HAMID EINLOU
  3. Danışmanlar: DOÇ. DR. FATİH EMRE BORAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 80

Özet

Günümüzde globalleşme ile işletmeler arasında oluşan rekabet artmakta, işletmelerin bu rekabette bir adım öne geçmesi yürütmüş olduğu önemli faaliyetlerde stratejik kararlar almalarına bağlıdır. Özellikle ürün üreten işletmelerde üretim planlama, satış pazarlama ve tedarik zinciri faaliyetleri önemli ve stratejik karar vermeyi gerektiren faaliyetler olarak ön plana çıkmaktadır. Talep tahmini üretim planlama, satış-pazarlama ve tedarik zinciri yönetimi ile ilgili karar alma süreçlerinde kullanılan en önemli girdilerden bir tanesidir. Düzgün bir şekilde yapılamayan talep tahmini işletmelerin fazla stok tutmalarına talebi karşılayamamalarına ve bazı fırsatlarına kaçırmalarına neden olabilmektedir. Bu nedenle literatürde talep tahmini konusunda birçok farklı yöntem önerilmiştir. Bu yöntemler temel olarak geçmiş dönem verilerini kullanarak gelecek değerlerin tahmin edilmesini hedeflemektedir. Bu yöntemlerin doğru sonuç üretmeleri kullanılan verinin yapısına büyüklüğüne ve karmaşıklığına bağlıdır. Son yıllarda stokastik süreç modellerinden Otoregresif Entegre Hareketli Ortalama (ARIMA) Yöntemi ve yapay zeka temelli yöntemler (Yapay sinir ağları, destek vektör regresyon (DVR) vb.) talep tahmininde sıklıkla kullanılmaktadır. Bu çalışmada bir tatlı firmasının üretmiş olduğu dört farklı ürünün talep tahmini ARIMA ve DVR yöntemleri kullanılarak yapılmıştır. Yapılan çalışmada talep tahmininde mevsim etkisinin önemli bir etken olduğu saptanmış, bu nedenle mevsimsel etkiyi de dikkate alan Mevsimsel Otoregresif Hareketli Ortalama (SARMA) yöntemi kullanılmıştır. Önerilen modellerin doğruluğunu değerlendirmek için, Ortalama Mutlak Yüzde Hata (MAPE) ölçütü ve determinasyon katsayısı kullanılmıştir. SARMA yöntemi kullanıldığında Ürün 1, Ürün 2, Ürün 3 ve Ürün 4 için MAPE değerleri sırası ile 19.97; 29.19; 24.58 ve 21.12 olarak bulunmuştur. RBF kernel DVR yöntemi kullanıldığında Ürün 1, Ürün 3 ve Ürün 4 için MAPE değerleri 11.23; 20.20 ve 13.61 ve Polinom kernel DVR kullanıldığında ise Ürün 2 için MAPE değeri 17.11 olarak hesaplanmıştır. Elde edilen sonuçlar karşılaştırıldığında, DVR yönteminin SARMA yöntemine göre daha yüksek doğruluğa sahip tahminler ürettiği gözlemlenmiştir.

Özet (Çeviri)

With the globalization in today's world, the competition between companies is increasing, and one step ahead in this competition depends on making strategic decisions in important activities. The production planning, sales marketing and supply chain activities come to the fore as the important and strategic decision-making activities in companies. The demand forecasting is the one of the important inputs for decision-making processes related to production planning, sales marketing and supply chain. Inaccurate demand forecasting may cause excessive product inventory, the shortage of products or loss of opportunities. Therefore, a plenty number of studies have been reported in the literature. These methods mainly estimates future values by using previous observations. The success of these methods depends on the size and complexity of the data used. In recent years, Autoregressive Integrated Moving Average (ARIMA) method and artificial intelligence-based methods (Artificial neural network, support vector regression (SVR), etc.) are frequently used in demand forecasting. In this study, the demand forecasting of four different products produced by a sweet company was performed using ARIMA and SVR methods. It was determined that seasonal effect was an important factor in the demand forecasting; and therefore Seasonal Autoregressive Moving Average (SARMA) method was used to deal with seasonal effects. To evaluate the accuracy of the proposed models, the Mean Absolute Percentage Error (MAPE) and the determination coefficient were used. When SARMA method was used, MAPE values for Product 1, Product 2, Product 3 and Product 4 were found as 19.97; 29.19; 24.58 and 21.12 respectively. MAPE values for Product 1, Product 3 and Product 4 were obtained as 11.23; 20.20 and 13.61 when RBF kernel SVR method was used, and MAPE value for Product 2 was found as 17.11 when Polynomial kernel SVR was utilized. It was observed that SVR method had higher accuracy forecasting than SARMA method when the obtained results were compared.

Benzer Tezler

  1. Day-ahead electricity price forecasting for Türkiye using an ensemble machine learning technique

    Birleştirilmiş makine öğrenmesi tekniği ile Türkiye gün öncesi piyasası elektrik fiyat tahmini

    ÇAĞKAN ÖZBUDAK

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Endüstri ve Endüstri MühendisliğiOrta Doğu Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ZEYNEP MÜGE AVŞAR

    DOÇ. DR. BORA KAT

  2. Multitemporal co-polar x-band sar data classification as a tool for paddy-rice phenology estimation

    Çeltik tarlası fenoloji kestirimi için çok zamanlı co-polar x-bant sar verisi üzerinde sınıflandırma yöntemi

    ÇAĞLAR KÜÇÜK

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    YRD. DOÇ. DR. GÜLŞEN TAŞKIN KAYA

    YRD. DOÇ. DR. ESRA ERTEN

  3. Yapay sinir ağları ve makine öğrenmesi ile otomobil satış tahmininin yapılması ve zaman serileri analizi ile karşılaştırılması

    Forecasting automobile sales using artificial neural networks and machine learning and comparison with time series analysis

    BEYZA KURTGERİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MERVE CENGİZ TOKLU

  4. Kişilik, FoMo, dijital bağımlılık ve mutluluk ilişkisinin makine öğrenmesi yöntemleri ile araştırılması

    Researching the relationship of personality, FoMo, digital addiction and happiness with machine learning methods

    HANDE SARICA KEÇECİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes Üniversitesi

    Yönetim Bilişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. ESRA KAHYA ÖZYİRMİDOKUZ

    PROF. DR. LALE ÖZBAKIR

  5. Deep learning for wind energy systems using the hurst exponent and statistical parameters

    Hurst üslü ve istatistiksel parametreleri kullanarak rüzgar enerjisi sistemleri için derin öğrenme

    BEHNAZ ALAFI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞAHİN SERHAT ŞEKER