Sarıma ve destek vektör regresyon yönetimleri ile talep tahmini
Demand estimation by sariam method and support vector regression method periods
- Tez No: 561295
- Danışmanlar: DOÇ. DR. FATİH EMRE BORAN
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: ARIMA, Talep tahmin sistemi, ARIMA, Demand estimation system
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
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
- Makine öğrenmesi kullanarak Türkiye'de elektrikli araç şarj istasyonlarının potansiyel kullanım performansının mekânsal tahmini
Spatial estimation of potential utilization performance of electric vehicle charging stations in Türkiye using machine learning methods
SERKAN TANRIVERDİ
Yüksek Lisans
Türkçe
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ADALET DERVİŞOĞLU
- Forecasting brent oil futures prices using machine learning
Yapay öğrenme kullanarak brent petrol vadeli işlem fiyatlarını öngörüleme
EMRE KAAN YILMAZ
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri MühendisliğiKoç ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. METİN TÜRKAY
- Yeşil havalimanı uygulamaları: İki aşamalı karbon emisyon tahmin modeli
Green airport applications: Two-stage carbon emission forecasting model
ZEYNEP İREM ÖZFİDAN
Yüksek Lisans
Türkçe
2026
Sivil HavacılıkNecmettin Erbakan ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. BEYZANUR ÇAYIR ERVURAL
- Elektrikli araç şarj istasyonlarında kullanım eğilimlerinin makine öğrenimine dayalı modellenmesi ve talep tahmini
Machine learning-based modeling of usage trends and demand forecasting in electric vehicle charging stations
HATİCE BİLGE ALGIN
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik Mühendisliğiİnönü ÜniversitesiElektrik-Elektronik Ana Bilim Dalı
DOÇ. DR. MURAT KÖSEOĞLU
- Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini
Forecasting the spread of covid-19 using deep learning and big data analytics methods
CYLAS KIGANDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL