Geri Dön

Predicting market needs using time series analysis and deep learning

Başlık çevirisi mevcut değil.

  1. Tez No: 753558
  2. Yazar: MUSAAB OSAMAH ANWER
  3. Danışmanlar: DR. ÖĞR. ÜYESİ SÜREYYA AKYÜZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Satış Tahmini, Makine Öğrenimi, Derin Öğrenme, Veri Analizi, Sales Forecasting, Machine Learning, Deep Learning, Data Analysis
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Bahçeşehir Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilişim Teknolojileri Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 51

Özet

Her başarılı işletmenin mümkün olduğu kadar çok faktörü göz önünde bulundurması gerekir. Bu faktörler, tarih ve mevsim gibi doğada geçici olabilir. Satış tahmini, pazar ihtiyaçlarını tahmin etmede önemli bir faktör olarak kabul edilir. Gelecekteki satışların bir tahmini olarak tanımlanabilir. Satış tahmininin ayrıca iş planlaması, iş lojistiği ve kaynak yönetimi üzerinde etkisi vardır. Literatürde satış tahmini için birçok makine öğrenimi yöntemi kullanılmıştır, öyle ki bu yöntemlerin çoğu, tahmin sürecinde geçmiş davranışları ve eğilimleri kullanan zaman serisi tabanlı olarak kabul edilir. Ayrıca makine öğrenimi, en önemli veri analiz araçlarından biri haline gelen multidisipliner bir alandır. Araştırmacıların verilerini daha doğru ve güvenilir bir şekilde anlamalarını destekler. Ayrıca, pazar ihtiyaçlarını analiz etmek, şirketler ve üreticiler için işlerini geliştirmek için önemlidir. Satış tahmini, pazar ihtiyaçlarını anlamanın güçlü bir yönü olarak kabul edilir. Böyle bir işlemin gerçekleştirilmesi, bazı makine öğrenme algoritmaları kullanılarak gerçekleştirilebilir. Bu tezde, satış tahmini için iyi bilinen beş algoritma kullanıyoruz, bunlar Çok Değişkenli Uyarlanabilir Regresyon Spline'ları (MARS), Uzun Kısa Süreli Bellek Ağı (LSTM), Mevsimsel Otomatik Gerilemeli Entegre Hareketli Ortalama (SARIMA), ARIMA ve Tekrarlayan Sinir Ağı (RNN). Bu algoritmalar 2016'dan 2021'e kadar alışveriş merkezlerinden birinin gerçek bir satış veri setine uygulandı. Beş algoritmanın sonuçları, düzeltilmiş r kare açısından birbirleriyle kıyaslandı. Sonuçlara göre SARIMAX algoritması diğer algoritmalardan daha iyi performans gösterdi.

Özet (Çeviri)

Every successful business needs to consider as many factors as possible. These factors can be temporal in nature such as the date and season. Sales forecasting is considered to be an important factor in predicting market needs. It can be defined as an estimation of future sales. Sales forecasting also has an impact on business planning, business logistics, and resource management. Many machine learning methods were used in the literature for sales forecasting such that many of these methods are considered to be time-series-based that use past behavior and trends in the forecasting process. Moreover, machine learning is a multidisciplinary field that has become one of the most crucial data analysis tools. It supports researchers in understanding their data in a more accurate and reliable. Moreover, analyzing market needs is important to companies and manufacturers for developing their business. Sales forecasting is considered a powerful aspect of understanding market needs. Achieving such a process can be performed using some machine learning algorithms. In this thesis, we use five well-known algorithms for sales forecasting, namely, Multivariate Adaptive Regression Splines (MARS), Long Short-Term Memory Network (LSTM), Seasonal Auto-Regressive Integrated Moving Average (SARIMA), ARIMA, and Recurrent Neural Network (RNN). These algorithms were applied to a real sales dataset of one of the malls from 2016 to 2021. The results of the five algorithms were benchmarked with each other in terms of the adjusted r square. According to the results, the SARIMAX algorithm outperformed the other algorithms.

Benzer Tezler

  1. A comparative study for football analytics with data mining and artificial intelligence techniques

    Veri madenciliği ve yapay zeka teknikleri ile karşılaştırmalı futbol analitiği

    MUSTAFA AADEL MASHJAL AL-ASADI

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞAKİR TAŞDEMİR

  2. Elektrikli araçların kullanımına yönelik yük tahmini ve karar destek sistemi

    Load forecasting and decision support system for electric vehicles use

    HATİCE MENEKŞE KÖSEMEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. ORHAN TORKUL

  3. Order dispatching via deep reinforcement learning

    Başlık çevirisi yok

    ERAY MERT KAVUK

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AYŞE TOSUN KÜHN

  4. Forecasting stock prices using deep learning models with technical indicators

    Teknik göstergelerle derin öğrenme modelleri kullanarak hisse senedi fiyatı tahmini

    MİNE KONUR

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    İstatistikAdana Alparslan Türkeş Bilim Ve Teknoloji Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA GÖÇKEN

  5. Makine öğrenme yöntemlerini kullanarak çok değişkenli zaman serisi analizi ve tahmin

    Multivariate time series analysis and forecasting using machine learning methods

    LUBNA ALANIS

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HAMZA EROL