Demand forecasting using statistical and machine learning methods – a case studyin automotive industry
İstatistiksel ve makine öğrenmesi yöntemleri ile talep tahmini-otomotiv sektöründebir uygulama
- Tez No: 815057
- Danışmanlar: PROF. DR. AHMET SERMET ANAGÜN
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İzmir Ekonomi Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- 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
- 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
2023
Endüstri ve Endüstri Mühendisliğiİzmir Ekonomi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET SERMET ANAGÜN
- Short term load forecasting by using artificial neural networks
Yapay sinir ağları kullanılarak kısa dönemli yük tahmini
ALI GHADIRIASL NOBARI
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. BELGİN TÜRKAY
- E-ticarette sipariş toplama robotlarının kullanımının etkileri
Effects of using order collecting robots in e-commerce
YASİN AYDIN
Yüksek Lisans
Türkçe
2022
İşletmeİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. DERYA KARAKAŞ
DOÇ. DR. NİHAN YILDIRIM
- 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
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZEHRA ÇATALTEPE
- Anomaly detection scenarios in cyber-physical systems
Siber-fiziksel sistemlerde anomali tespit senaryoları
AYŞE SAYIN
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. MEHMET TAHİR SANDIKKAYA