Geri Dön

Multivariate product demand forecasting with neural networks

Yapay sinir ağları ile çok değişkenli ürün talep tahmini

  1. Tez No: 603249
  2. Yazar: ÇAĞATAY ŞAHİN
  3. Danışmanlar: PROF. DR. TAFLAN İMRE GÜNDEM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. 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

    Türkçe

    2019

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BAŞAR ÖZTAYŞİ

  2. 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

    İngilizce

    2023

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilimleri ve Teknoloji Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BURAK BARUTÇU

  3. 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

    Yüksek Lisans

    Türkçe

    Türkçe

    1990

    İşletmeİstanbul Teknik Üniversitesi

    DOÇ.DR. SELİME SEZGİN

  4. 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

    Türkçe

    2012

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. UFUK CEBECİ

  5. Optimal commodity procurement with imperfect delivery

    Hatalı teslimat altında optimal tedarik politikaları

    ELİF ÇETİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2014

    Endüstri ve Endüstri MühendisliğiBoğaziçi Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. AHMET REFİK GÜLLÜ