Yapay zekâ yöntemleri ile toplu yemek üretiminde günlük talep tahmini
Daily demand prediction in mass meal production using artificialintelligence methods
- Tez No: 619627
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET ACI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Mersin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 101
Özet
Talep tahmini, işletmelerin ürettiği mal ve hizmetlere, gelecek dönemler için ne kadar talep olacağının tahmin edilmesi işlemidir. Talep tahmini sayesinde toplu yemek üretilen yerlerde hesaplanan talep miktarına göre yemekler hazırlanır ve bu durum maliyeti en aza indirmeyi sağlar. Bu tezde Mersin Üniversitesi yemekhanesinden alınan son 1 yıla ait veriler kullanılarak şeçilen yemeklere göre günlük yemek yiyecek kişi sayısının belirlenmesi hedeflenmiştir. Çalışmada günlük talep tahmini için yapay zekâ yöntemlerinden Yapay Sinir Ağları (YSA), Doğrusal Regresyon (DR), Gauss Süreç Regresyon (GSR), Regresyon Ağacı, Destek Vektör Regresyonu (DVR) ve Ağaç Toplulukları yöntemleri kullanılmış ve yöntemlerin başarıları kıyaslanmıştır. Veri kümesi, eğitim ve test verisi olarak ayrılmıştır. Veriyi eğitmek ve tahmin işlemini gerçekleştirmek için MATLAB ve PYTHON yazılım ortamlarından yararlanılmıştır. Kullanılan veri kümesi ve yöntemler ile başarılı sonuçlar elde edilmiştir. Sonuçlar, ölçülen üç performans metriği açısından değerlendirilmiştir. Korelasyon katsayısı (R) değeri hedef ve öngörülen değerler arasındaki korelasyonu ölçmek için, ortalama kare hata (MSE) değeri hataların karelerinin ortalamasını ölçmek için, ortalama mutlak hata (MAE) değeri ise tahminlerin hedef değerlere yakınlığını ölçmek için kullanılmıştır. Yöntemler içinde en başarılı modeller; YSA yönteminde 0.9926 R değeri ile çok katmanlı algılayıcı ağları (MLP) olurken GSR modelinde 0.8062 R değeri ile üstel GSR, regresyon ağacı modelinde 0.8366 R değeri ile fine tree, DVR modelinde 0.9643 R değeri ile fine gaussian DVR, ağaç topluluğu modelinde ise 0.9591 R değeri ile güçlendirilmiş ağaç modeli olmuştur. DR modeli ise 0.4527 R değeri ile talep tahmininde başarılı olamamıştır. Özetle YSA yöntemlerinden en başarılı sonuca MLP yöntemi ile regresyon yöntemlerinden en başarılı sonuca DVR modeli ile ulaşılmıştır. Önerilen tüm modeller içinde MLP modelinin tahmin başarısının en iyi olduğu gözlenmiştir. Yapılan tüm çalışmalar ve başarılı sonuçlar, önerilen yöntemlerin toplu yemek üretiminde talep tahmini için uygun olduğunu göstermektedir.
Özet (Çeviri)
Demand prediction is the process of estimating how much demand will be demanded for the goods and services produced by the enterprises for future periods. Demand forecasting is necessary and important for all companies, institutions and organizations where mass food is produced. Due to demand prediction, meals are prepared according to the demand amount calculated in the places where mass food is produced and this minimizes the cost. In this thesis, Artificial Neural Networks (ANN), Linear Regression (LR), Gauss Process Regression (GPR), Regression Tree, Support Vector Regression (SVR) and Tree Communities methods are used for predicting daily demand in mass food production and the performances of the methods were compared. The data set is divided into training and test data. MATLAB and PYTHON software environments were used to train the data and perform the estimation process. Successful results were obtained with the data set and methods used. The results were evaluated for three measured performance metrics. The correlation coefficient (R) value was used to measure the correlation between the target and predicted values, the mean squared error (MSE) value was used to measure the mean of the squares of errors, and the mean absolute error (MAE) value was used to measure the proximity of the estimates to the target values. The most successful models are; in the ANN method, multi-layer perceptrons (MLP) with 0.9926 R value, while in the GPR model, exponential GPR with 0.8062 R, fine tree with 0.8366 R value in regression tree model, fine gaussian SVR with 0.9643 R value in SVR model, and reinforced tree model with 0.9591 R value in SVR model. The LR model was not successful in predicting demand with R value of 0.4527. In summary, the most successful result from ANN methods was obtained by MLP method and the most successful result from regression methods was obtained by SVR model. Among all the proposed models, the predictive success of the MLP model was observed to be the best. All studies and successful results indicate that the proposed methods are suitable for demand prediction in mass meal production.
Benzer Tezler
- Kurumsal kredilerin geri ödenmeme olasılığının tahminine yönelik Bayes ağı temelli bir erken uyarı modeli
A Bayesian network based early warning model that estimates the probability of non-performing corporate credits
YASEMİN BAŞ
Yüksek Lisans
Türkçe
2015
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. UMUT ASAN
- Coğrafi bilgi sistemleri entegreli makine öğrenmesine dayalı toplu taşınmaz değerleme modelinin geliştirilmesi
Development of mass property valuation model based on geographic information systems integrated machine learning methods
MUHAMMED OĞUZHAN METE
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. TAHSİN YOMRALIOĞLU
- Şehirsel yerleşimlerde erişilebilirlik ölçütünün modellenmesi ve kullanımı: ulaşım türü seçimi üzerindeki etkisinin incelenmesi
Modeling and use of accessibility measure in urban settlements: investigation of the effects on mode choice
MUSTAFA ÖZUYSAL
Doktora
Türkçe
2010
Mühendislik BilimleriDokuz Eylül Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. SERHAN TANYEL
- Hiper parametre ayarlarının saldırı tespit sistemlerin performansı üzerindeki etkilerinin incelenmesi
Studying the effects of hyperparameter tuning on the performance of intrusion detection systems
FUAT SUNGUR
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Bilim ve Teknoloji ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HALİT BAKIR
- Exploring gas storage properties of metal organic frameworks by artificial intelligence combined computational methods
Metal organik kafes yapıların gaz depolama özelliklerinin yapay zekâ ile kombine edilmiş hesaplamalı kimya yöntemleri ile araştırılması
ÖMER TAYFUROĞLU
