Geri Dön

Developing a decision-support system using machine learning and deep learning models for daily demand forecasting: A case study

Günlük talep tahmini için makine öğrenimi ve derin öğrenme modelleri kullanarak karar destek sistemi geliştirme: Bir vaka çalişmasi

PDF İndir

  1. Tez No: 841226
  2. Yazar: RANA EZGİ KÖSE
  3. Danışmanlar: PROF. DR. FERHAN ÇEBİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Mühendislik Bilimleri, İşletme, Industrial and Industrial Engineering, Engineering Sciences, Business Administration
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İşletme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: İşletme Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 155

Özet

Talep tahmini, bir ürün veya hizmetin belirli bir gelecekteki dönemde ne kadar talep göreceğini öngörmeye yönelik bir süreçtir. Bu, işletmelerin stok yönetimi, üretim planlaması, tedarik zinciri yönetimi ve genel stratejik planlama süreçlerinde kullanılan önemli bir araçtır. Talep tahmini, geçmiş satış verileri, pazar trendleri, mevsimsellik, ekonomik koşullar, rekabet, promosyonlar gibi çeşitli faktörleri analiz ederek gelecekteki talebi en iyi şekilde tahmin etmeye çalışır. Talep tahmini, işletmelerin stratejik planlama ve kaynak yönetimi açısından kritik bir öneme sahip bir süreçtir. Doğru talep tahmini, işletmelerin stok düzenleme, üretim planlama ve tedarik zinciri yönetimi gibi alanlarda daha etkili kararlar almasına olanak tanır. Bu nedenle, talep tahmininin doğruluğu, işletmelerin rekabet avantajı elde etmelerinde önemli bir rol oynar. Talep tahmini yapma sürecinde karşılaşılan zorluklar birbiriyle iç içe geçmiş karmaşıklıkları içerir. Öncelikle, belirsizlik ve beklenmedik olaylar, dışsal faktörlerin tahminleri olumsuz yönde etkilemesine neden olabilir. Doğal afetler, siyasi olaylar gibi beklenmedik durumlar, tahmin sürecini tahmin edilemez kılabilir. Bu noktada, karmaşık faktörlerin etkileşimi önem kazanır; pazar trendleri, ekonomik koşullar ve rekabetin birbirleriyle etkileşimi, doğru bir tahmin modeli oluşturmayı zorlaştırabilir. Hızla değişen pazar koşulları da bir diğer zorluktur. Talep, tüketici tercihlerindeki ani değişikliklere veya yeni trendlere hızla uyum sağlamak zorunda kalabilir, bu da tahmin sürecini sürekli güncelleme ihtiyacını beraberinde getirir. Bu karmaşıklıklara ek olarak, mevsimsel etkilerin ve özel promosyonların doğru bir şekilde öngörülmesi de talep tahminini zorlaştırabilir. Ayrıca, veri kalitesi, yeni teknolojilerin etkisi ve insan faktörü gibi faktörler de tahmin sürecini etkileyen diğer önemli zorluklardır. İşletmeler, bu zorluklarla başa çıkabilmek için gelişmiş analitik yöntemlerini, doğru veri yönetimini ve teknolojik yenilikleri kullanma stratejilerini benimsemiştir. Akademide ise sürekli olarak farklı yöntemler ve modeller geliştirilerek çeşitli vakalar üzerinde analizler yapılmaktadır. Gerek akademik gerek profesyonel hayatta yer alan uzmanlar, gelecekteki satışların ve üretimin tahminini olabildiğince doğru yapmaya çalışmaktadır. Talep tahmin yöntemleri yıllar içinde gelişmiş olsa da, talep tahmininde kesinlik düzeyine ulaşmak mümkün değildir. Talep tahmini süreci birçok bileşeni içerir. Gelişmiş tahmin yöntemlerine sahip olmak yeterli değildir. Veri işleme hızı, insan faktörü, öngörülemeyen ve talebi etkileyen faktörler de talep tahmin sürecini etkiler, bu nedenle %100 doğru bir tahmin garanti edilemez. Geçmiş yıllarda, istatistik bilimi yardımıyla geliştirilen talep tahmin yöntemleri günümüzde karmaşık parametrelerin de dahil edildiği sofistike modeller olarak karşımıza çıkmaktadır. Bunun en büyük sebeplerinden biri de gelişmiş programlama teknolojileridir. İleri analitik yöntemleri ve yapay zeka destekli modeller, büyük veri setlerini hızlı bir şekilde işleyerek daha öngörülebilir tahminler yapılmasına olanak tanır. Bu çalışma, talep tahmininde kullanılan teknolojilerin nasıl entegre edilebildiği ve ne kadar etkili olduğuna dair bir örnek içermektedir. Literatürdeki benzer problemler incelendiğinde, talep tahmininin bir zaman serisi problemi olarak ele alındığı ve istatistiksel modeller ve yöntemler kullanılarak çözüldüğü gözlemlenmektedir. Ancak, makine öğrenmesi, özellikle de derin öğrenme modellerinin talep tahmini alanında daha az yaygın olduğu görülmektedir. Ayrıca, talep tahmini için geliştirilen modellerin genellikle belirli veri kümeleri üzerine odaklandığı ve bu nedenle parametrelerinin bu özel veri kümelerine uyarlandığı görülmektedir. Bu sebeplerle, çalışmanın odak noktası olarak, makine öğrenmesi ve derin öğrenme modellerinin talep tahmininde nasıl kullanılabileceği, hiperparametre optimizasyonu aracılığıyla farklı veri setlerine uygulanabilen modellerin nasıl inşa edilebileceği seçilmiştir. Benzer problemleri ele alan çalışmaların incelenmesi sonucunda, karar destek sistemi için toplam 4 model belirlenmiştir. Bu modellerden ikisi ağaç tabanlı makine öğrenmesi modelleri olan Random Forest ve XGBoost'tur. Diğer iki model ise sıkça kullanılan derin öğrenme modellerinden olan Artificial Neural Network (ANN) ve Long Short-Term Memory (LSTM) olarak belirlenmiştir. Bu modellerin seçilmesi, literatürdeki benzer çalışmalardan elde edilen bilgilerin ve bu modellerin talep tahmini probleminde etkili olabilecek özelliklerinin değerlendirilmesiyle gerçekleştirilmiştir. Bu dört farklı modelin kullanılması, çeşitli yaklaşımların bir araya getirilerek karar destek sisteminin talep tahmini performansını artırma amacını taşımaktadır. Hiperparametre optimizasyonu için Grid Search, Random Search ve Randomized Search olmak üzere farklı yöntemler kullanılmıştır. Bu çeşitli hiperparametre optimizasyon teknikleri, amaçlananın veri setine bağımlı olmayan bir karar destek sistemi oluşturmak olduğu için, her bir model için farklı bir hiperparametre optimizasyon yöntemi denenerek tahminin en doğru şekilde yapılması amaçlanmıştır. Her bir optimizasyon yönteminin avantajları ve dezavantajları göz önüne alınarak, modellerin belirlenen hiperparametrelerle en iyi şekilde uyum sağlaması hedeflenmiştir. Bu, her modelin kendi özel ihtiyaçlarına ve veri setinin dinamiklerine uygun hiperparametrelerle optimize edilmesini sağlayarak daha genel ve etkili bir karar destek sistemi oluşturulmasını amaçlamaktadır. Hiperparametre optimizasyonu entegre edilmiş modeller, bir karar destek sistemi haline getirilmiştir ve bu modeller PyCharm 2022.2 kullanılarak kodlanmıştır. Bu modeller, bir GUI (Grafik Kullanıcı Arayüzü) yardımıyla kullanıcıya sunulmuştur. Karar destek sisteminin farklı işletmelere hizmet edebileceği göz önünde bulundurularak, Excel ile entegre çalışabilmesi öngörülmüştür. Bu nedenle, karar destek sistemi, kullanıcıdan bir Excel dosyası alabilen ve seçilen ürün için 4 farklı modeli çalıştırarak son kullanıcıya modellerin performans metrikleri ve 15 günlük talep tahminini sunabilen bir şekilde tasarlanmıştır. Bu yapı, sistemin esnekliğini ve geniş bir kullanım yelpazesi sunma potansiyelini artırmak amacıyla Excel entegrasyonunu içermektedir. Geliştirilen karar destek sistemi, bir vaka analizi ile değerlendirilmiştir. Bu değerlendirme, İstanbul'da gıda sektöründe faaliyet gösteren bir firmanın ürün yelpazesinden seçilen 5 ürün üzerinde gerçekleştirilmiştir. Bu 5 ürün için karar destek sistemi kullanılarak tahminleme yapılmıştır. Gerçekleştirilen vaka analizi sonuçları, modellerin performanslarının oldukça yüksek olduğunu göstermektedir. Kullanılan 4 farklı model, her bir ürün için elde edilen sonuçları ve ilgili grafikleri içeren ayrıntılı bilgileri sunmaktadır. Bu vaka analizi, karar destek sisteminin işlevselliğini ve etkinliğini değerlendirmek adına gerçek verilere dayanarak yapılmıştır. Modellerin başarı oranları, tahminleme doğruluğu ve grafikler aracılığıyla sistemin performansı detaylı bir şekilde incelenmiştir. İlgili bölümlerde paylaşılan sonuçlar, sistemin gıda sektöründeki bir işletmenin talep tahminine yönelik karar alma süreçlerini destekleme kapasitesini ortaya koymaktadır. Ancak, sadece 4 model kullanılması ve bu modellerin iki tanesinin ağaç tabanlı makine öğrenmesi ve diğer ikisinin derin öğrenme olması sebebiyle, klasikleşmiş istatistiksel modellerin performansının nasıl olacağı incelenmemiştir. Bu durumda, istatistiksel modellerin bu veri seti için daha iyi sonuç verebileceği göz önünde bulundurularak, karar destek sistemi içerisindeki modeller dışında, veri setinde ayrıca bir Auto Regression Integrated Moving Average (ARIMA) modeli denenmiştir. Bu sayede, istatistiksel bir modelin bu veri için daha iyi sonuç üreterek üretemeyeceği tartışılmıştır. Bu genişletilmiş değerlendirme, karar destek sisteminin performansının kapsamlı bir şekilde değerlendirilmesine katkı sağlamaktadır. Aynı zamanda, ARIMA model dahil olmak üzere tüm modellerin yalnızca hiperparametre optimizasyonu ile çalışması, varsayılan parametrelerin performans değerlendirmesini imkansız kılmaktadır. Hiperparametre optimizasyonu ile elde edilen modellerin sonuçlarının daha iyi olacağı tahmin edilse de, bunun değerlendirilmesi için tüm modellerin varsayılan parametrelerle ve aynı veri setiyle yeniden çalıştırılmıştır ve hiperparametre optimizasyonunun performans üzerindeki etkisi değerlendirilmiştir. Son olarak, modellerin tamamının eğitim veri setiyle eğitildiği ve test veri setiyle test edildiği göz önünde bulundurulursa, tüm modellerin performans metrikleri test verisinin tahminine bağlıdır. Ancak, modellerin farklı bir veri seti için nasıl performans gösterdiği, modellerin güvenilirliğinin test edilmesi ve aşırı uyum gösterip göstermediklerini anlamak için modeller, test verisi ile değil eğitim verisi ile yeniden çalıştırılmış ve sonuçları test verisinin ürettiği sonuçlarla karşılaştırılarak değerlendirilmiştir. Bu yaklaşım, modellerin genel geçerliliğini ve farklı veri setleri üzerindeki performansını değerlendirmek adına daha kapsamlı bir inceleme sunar. Ayrıca, modellerin aşırı uyum gösterip göstermediklerini anlamak için eğitim verisi ile test verisi arasındaki performans farkları da dikkate alınmıştır. Sonuç olarak, bu çalışmada 4 model ve hiperparametre optimizasyonu yardımıyla bir karar destek sistemi geliştirilmiş, bir vaka analizi yapılarak seçilen 5 ürün için karar destek sistemi çalıştırılmış ve sonuçlar toplanmıştır. Bunlar dışında, veriyi ve modelleri daha iyi anlayabilmek için bazı analizler yapılmış ve sonuçlar, karar destek sisteminden çıkan sonuçlar ile karşılaştırılmıştır. Makine öğrenmesi ve derin öğrenme modellerinin seçilen ürünler ve parametreler göz önünde bulundurulduğunda, bu veri seti için iyi sonuçlar üretebildiği ancak ARIMA gibi istatistiksel modellerin bu veri setine daha uygun olabileceği sonucuna varılmıştır. Bu vaka analizinde hiperparametre optimizasyonunun kesinlikle modellerin performansını iyileştirdiği söylenebilir. Modeller eğitim veri setiyle çalıştırıldığında, test veri setiyle çalıştırılan performanslara yakın sonuçlar gösterdiği için aşırı uyum durumunun olmadığı sonucuna varılabilir.

Özet (Çeviri)

Since the increase in industrialization and the onset of mass production, demand forecasting has become a frequently discussed topic. Demand forecasting has become one of the most critical aspects to focus on in order to use resources efficiently, minimize costs, and make accurate planning at every point in the supply chain. Accelerated production and limited resources have prompted both academia and business professionals to delve into the subject of demand forecasting. In recent years, demand forecasting methods that were traditionally applied with the help of statistics have been further developed. With the assistance of technology and advancing software, artificial intelligence has become integrated into our lives. It is impossible for a subject like demand forecasting not to be influenced by these technologies. Therefore, in recent years, it has seen the incorporation of models like machine learning and deep learning in the demand forecasting efforts. Therefore, this thesis focuses on developing a decision support system for daily demand forecasting using machine learning and deep learning models. Upon reviewing the literature, it is observed that most of the models developed for demand forecasting are often built on specific datasets, resulting in their parameters being tailored to those particular datasets. Hence, in this thesis, hyperparameter optimization has been employed for the machine learning and deep learning models used to find the best parameters for the given data. This, in turn, has enabled the decision support system to be adaptable for different datasets. The developed models have been integrated into the user interface. As a result, a decision support system comprising two machine learning (Random Forest and XGBoost) and two deep learning (Artificial Neural Network and Long-Short Term Memory) models that can be used for daily demand forecasting has been provided. This developed decision support system has been tested using historical data for five products of a company operating in the food and beverage sector, and the results have been collected. The results have shown that deep learning models can achieve successful results in demand forecasting as much as machine learning models.

Benzer Tezler

  1. Tez No

    908941

    Kronik inflamatuvar demiyelinizan polinöropati (CIDP) hastalığının teşhisinde makine öğrenme algoritmaları kullanılarak karar destek sistemi oluşturma

    Developing a decision support system for the diagnosis of chronic inflammatory demyelinating polyneuropathy (CIDP) using machine learning algorithms

    HÜSEYİN AKBUDAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Biyomedikal Ana Bilim Dalı

    DOÇ. DR. MUHAMMET SERDAR BAŞÇIL

  2. Tez No

    763872

    Dizel makinanın makina öğrenmesi yöntemi kullanılarak modellenmesi ve karar-destek mekanizması oluşturulması

    Machine learning method based marine diesel engine modelling and decision-support system setting

    TOLGA ŞAHİN

    Doktora

    Türkçe

    Türkçe

    2022

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. CEVAT ERDEM İMRAK

  3. Tez No

    775337

    Yapay zeka teknikleri kullanılarak beceri ve yeterlilik belirlemeye dayalı kariyer eşleştirme

    Career matching based on determining skills and competencies using artificial intelligence techniques

    HİLAL ERİSEV

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-Cerrahpaşa

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET SERTBAŞ

  4. Tez No

    758112

    Doğal dil işleme tabanlı bir patent tavsiye karar destek sistemi geliştirilmesi

    Development of a natural language processing based patent recommendation decision support system

    YAVUZ YILMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Yönetim Bilişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. TAHSİN ÇETİNYOKUŞ

  5. Tez No

    741628

    Framework modeling for healthcare system based on machine learning and blockchain

    Sağlık sistemi için makine öğrenmesine veblokzincirine dayalı çerçeve modelleme

    AZHAR HASAN NSAIF DREBEE

    Doktora

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET ERCAN TOPCU

Geri Dön