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: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- 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
2024
Endüstri ve Endüstri MühendisliğiOrta Doğu Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ZEYNEP MÜGE AVŞAR
DOÇ. DR. BORA KAT
- 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
2016
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
YRD. DOÇ. DR. GÜLŞEN TAŞKIN KAYA
YRD. DOÇ. DR. ESRA ERTEN
- 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
2024
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. MERVE CENGİZ TOKLU
- 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
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. ESRA KAHYA ÖZYİRMİDOKUZ
PROF. DR. LALE ÖZBAKIR
- 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
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER