Multivariate product demand forecasting with neural networks
Yapay sinir ağları ile çok değişkenli ürün talep tahmini
- Tez No: 603249
- Danışmanlar: PROF. DR. TAFLAN İMRE GÜNDEM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 47
Özet
Perakendecilikte, ürün satışlarının gelecekteki miktarını tahmin etmenin fayda sağlayacağı birçok senaryo vardır. Bunlar, her biri perakende sektöründe başarı için çok önemli olan nakit akışı yönetimi, kampanya yürütme ve envanter planlama gibi süreçleri içermektedir. Nicel zaman serisi analizi, ürün talebini tahmin etmek için yaygın olarak uygulanmaktadır. Nicel analizler, istatistik ve ekonometriden gelen bir dizi yerleşik yöntem içermektedir. Ancak, yeterlilikleri belirli varsayımlarla sınırlandırılmıştır ve uygulanmadan önce veriler üzerinde dikkatli şekilde bir takım istatistiksel işlemleri gerektirmektedir. Yapay Sinir Ağları, yapılandırılmamış verilerde olağanüstü başarı gösteren güçlü bir yapay öğrenme modeli sınıfıdır. Bu çalışmada, Uzun-Kısa Süreli Bellek ağına girdi olarak verilecek hiyerarşik çok değişkenli zaman serisi verilerini hazırlamak ve seçmek için beş farklı matematiksel formülasyon önerdik. Formülasyonları (veya "şemalar) sırasıyla; (1) Uni, (2) Uni-Store, (3) Uni-Product-Pcc, (4) Uni-Product-Mi, (5) Multi-Store olarak adlandırdık. Her biri, satışların miktarını tahmin etmek için çeşitli ilişkilendirme kriterlerine göre birden çok mağazadaki ürünün satış sinyallerini gruplandırmaktadır. Deneylerde, karşılıklı bilgi (3) ve korelasyon (4) temelli şemalar muhtemelen seçilen ürünlerin miktarının az olmasından dolayı düşük performans gösterdi. Uni şeması asgari tahmin hatası veren modelleri ortaya çıkardı. Multi-Store şeması, diğer şemalardan yaklaşık üç kat daha hızlı eğitilebilen modeller ortaya çıkardı. Bu şemanın ortalama tahmin hatası Uni şemasınınkinden önemli ölçüde yüksek çıkmadı.
Özet (Çeviri)
In retail, there are plenty of use cases that would benefit from predicting the future amount of product sales. Those use cases include cash flow management, campaign execution and inventory planning, all of which are the crucial components for the success of any retail business. Quantitative time series analysis is widely applied for predicting the product demand. It includes a set of well-established methods from statistics and econometrics. However, their capabilities are constrained by certain assumptions and they require careful statistical treatment on the data before the application. Artificial Neural Networks are powerful class of machine learning models which have shown outstanding success on the unstructured data. We proposed five different mathematical formulations to prepare and select hierarchical multivariate time series data to feed into a Long-Short Term Memory network. We referred to the formulations (or“schemes”) as (1) Uni, (2) Uni-Store, (3) Uni-Product-Pcc, (4) Uni-Product-Mi, (5) Multi-Store. Each of them groups the product sales signals in multiple stores according to various association criteria to forecast the sales amounts. In the experiments, the mutual information (3) and correlation (4) based schemes demonstrated poor performance presumably due to the small number of selected products. Uni scheme produced the models that resulted in the minimum loss. The Multi-Store scheme produced the models that can be trained approximately three times faster than than that of the other schemes. Its average forecast error was not significantly higher than that of the Uni scheme.
Benzer Tezler
- Makine öğrenmesi yardımıyla zincir restoran gıda satışlarının tahmin edilmesi ve hava durumunun etkisinin incelenmesi
Forecasting food sales on chain restaurant and investigating weather effect on sales by using machine learning methods
SEZGİ ŞENER
Yüksek Lisans
Türkçe
2019
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAŞAR ÖZTAYŞİ
- Comparison of experimental and semi-experimental models for predicting solar thermal power plants with artificial neural network
Solar termal santralların yapay sinir ağlarıyla öngörüsünde deneysel ve yarı-deneysel modellerin karşılaştırılması
SHABNAM CHOOPANI
Yüksek Lisans
İngilizce
2023
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimleri ve Teknoloji Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURAK BARUTÇU
- Markov zincirleri ile pazar payı tahmini ve renkli televizyon pazarına ilişkin bir uygulama
Market share estimation of colored TV with markov chains for the period of 1990-1995
BÜLENT MENGÜÇ
- Otomotiv yan sanayi sektöründe ERP ve yalın üretim analizi
The analysis of ERP and lean manufacturing in automotive supply industry
KEVSER KÜÇÜKUYSAL
Yüksek Lisans
Türkçe
2012
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. UFUK CEBECİ
- Optimal commodity procurement with imperfect delivery
Hatalı teslimat altında optimal tedarik politikaları
ELİF ÇETİN
Yüksek Lisans
İngilizce
2014
Endüstri ve Endüstri MühendisliğiBoğaziçi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. AHMET REFİK GÜLLÜ