Geri Dön

Demand forecasting using statistical and machine learning methods – a case studyin automotive industry

İstatistiksel ve makine öğrenmesi yöntemleri ile talep tahmini-otomotiv sektöründebir uygulama

  1. Tez No: 815057
  2. Yazar: EGE AK KAYIŞ
  3. Danışmanlar: PROF. DR. AHMET SERMET ANAGÜN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: İzmir Ekonomi Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 57

Özet

Talep tahmini, tedarik zincirinde önemli bir konudur. Artan rekabetçi piyasa koşullarında çeşitli nedenlere bağlı talep dalgalanmalarının da etkisiyle giderek daha fazla önem kazanmaktadır. Talep tahmini sadece geleceğin tahmin edilmesine yardımcı olmakla kalmaz, oluşabilecek risklerin azaltılmasına ve fırsatların değerlendirilmesine olanak sağlar. Bu çalışmada, otomotiv sektöründe faaliyet gösteren bir firmanın satış hacmi yüksek olan ürünlerine yönelik haftalık talep tahminine odaklanılmaktadır. Çalışmanın amacı literatürdeki zaman serisi tahmini çalışmalarında sıklıkla kullanılan farklı yaklaşımların performanslarını karşılaştırmaktır. Çalışmada istatistiksel yöntemler olarak Üstel Düzeltme, Mevsimsel Ayrıştırma, ARIMA, makine öğrenmesi yöntemleri olarak Rastgele Orman, Yapay Sinir Ağı (Çok Katmanlı Algılayıcılar), Destek Vektörü Regresyon, Ardışık Minimal Optimizasyon Regresyon uygulanmıştır. Yöntemlerin performansları Ortalama Mutlak Hata (MAE) ve Ortalama Kare Hatanın Kökü (RMSE) ile değerlendirildi. İstatistiksel yöntemler için mevsimsel ayrıştırmanın (toplama modeli), makine öğrenmesi yöntemleri için rastgele ormanın minimum MAE ve RMSE değerlerini sağladığı gözlemlenmiştir. Rastsal orman, uygulanan tüm yöntemler arasında MAE için 4.699,29 ve RMSE için 6.139,28 ile en iyi performansa sahiptir.

Özet (Çeviri)

Demand forecasting is an important issue in the supply chain. In increasingly competitive market conditions, it gains more and more importance with the effect of demand fluctuations due to various reasons. Demand forecasting not only helps to predict the future, it also enables to reduce the risks that may occur and to use the opportunities. This study focuses on the weekly demand forecasting for the products that have high sales volume of a company in the automotive industry. The aim of the study is to compare the performances of different approaches frequently conducted in studies of time series forecasting in the literature. In the study, Exponential Smoothing, Seasonal Decomposition, ARIMA as statistical methods, and Random Forest (RF), Artificial Neural Network (Multi-Layered Perceptron), Support Vector Regression, Sequential Minimal Optimization Regression as machine learning methods were applied. The performances of the methods were evaluated by means of Mean Absolute Error (MAE) and Root Mean Square Error (RMSE). It has been observed that seasonal decomposition (additive model) for statistical methods and random forest for machine learning methods have provided minimum MAE and RMSE values. The RF has the best performance 4,699.29 for MAE and 6,139.28 for RMSE out of all methods applied.

Benzer Tezler

  1. Demand forecasting using statistical and machine learning methods – a case study in automotive industry

    İstatistiksel ve makine öğrenmesi yöntemleri ile talep tahmini-otomotiv sektöründe bir uygulama

    EGE AK KAYIŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Endüstri ve Endüstri Mühendisliğiİzmir Ekonomi Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET SERMET ANAGÜN

  2. Short term load forecasting by using artificial neural networks

    Yapay sinir ağları kullanılarak kısa dönemli yük tahmini

    ALI GHADIRIASL NOBARI

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. BELGİN TÜRKAY

  3. E-ticarette sipariş toplama robotlarının kullanımının etkileri

    Effects of using order collecting robots in e-commerce

    YASİN AYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    İşletmeİstanbul Teknik Üniversitesi

    İşletme Ana Bilim Dalı

    DOÇ. DR. DERYA KARAKAŞ

    DOÇ. DR. NİHAN YILDIRIM

  4. Borsa istanbul (BIST) hisse fiyat değişim yönünün ilişkisel borsa ağı kullanılarak tahmin edilmesi

    Forecasting stock price change direction using relational stock market network on borsa Istanbul (BIST)

    BİRCAN ERGÜR

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ZEHRA ÇATALTEPE

  5. Anomaly detection scenarios in cyber-physical systems

    Siber-fiziksel sistemlerde anomali tespit senaryoları

    AYŞE SAYIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. MEHMET TAHİR SANDIKKAYA