ARIMA modeli ile makine öğrenimini kullanarak beton pompası üretiminde talep tahmini ve ABC-XYZ analizi
Demand forecasting and ABC-XYZ analysis in concrete pump manufacturing using ARIMA model and machine learning
- Tez No: 880694
- Danışmanlar: DOÇ. DR. GÖKAY AKKAYA
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: ABC envanter sınıflandırması, ARIMA, Makine öğrenmesi, Tahminleme, ABC inventory classification, ARIMA, Machine learning, Forecasting
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Envanter yönetimi; iş performansı, nakit akışı, stok maliyetlerinin minimize edilmesi ve zaman yönetimi için çok önemlidir. Envanter seviyelerinin verimli bir şekilde yönetilmesi operasyonel verimliliği ve finansal stratejileri artırır. Kötü yönetim; mali kayıplara, stok dengesizliklerine, siparişlerin yerine getirilmesinin gecikmesine ve memnuniyetsiz müşterilere neden olabilir. Bu tez çalışmasında; birincil amaç, maliyetleri optimize ederken yeterli işletme sermayesini sağlamak ve malzeme eksikliği arasındaki ilişkiyi dengelemektir. Söz konusu olan çalışma, beton pompası üretilen bir tesiste son 3 seneye ait tüketimlerin makine öğrenmesiyle eğitilmesi ve gelecek dönemlere ait taleplerin kestirimi amacıyla ele alınmıştır. Birinci aşamada malzemelerin tüketimlerine ait veri seti dikkate alınarak ABC-XYZ analizi yapılmakta olup, ikinci aşamada ise gelecek yıl için tüketimini tahmin etmeyi hedeflemektedir. Talep tahmini için zaman serisi yöntemleri ele alındığında en uygun modelin ARIMA olduğuna karar verilmiştir. Model Python yazılım dilinde kodlanarak ABC-XYZ analizi yapılacaktır. Python yazılım dilinde arima ve sarima kütüphaneleri ile makine öğrenmesi yöntemlerini birlikte geliştirilmesiyle malzemelerin gelecek dönem talep tahmini yapılacaktır. Verileri anlamak; test ve eğitim olarak bölmek için zaman serisi ayrıştırması kullanılmaktadır. ARIMA modelinin malzeme talebini tahmin etmek için sırasıyla 0,80 ve 0,20 gibi daha düşük eğitim ve test hata değerleri kullanılacaktır. Önerilen matematiksel model ile malzemelerin daha doğru bir şekilde sipariş adetleriyle tedarik edilmesi stok maliyetinin azaltılması beklenmektedir.
Özet (Çeviri)
Inventory management; It is very important for business performance, cash flow, minimizing inventory costs and time management. Managing inventory levels efficiently increases operational efficiency and financial strategies. Mismanagement; It may result in financial losses, stock imbalances, delayed order fulfillment and dissatisfied customers. In this thesis study; The primary objective is to balance the relationship between ensuring adequate working capital and material shortages while optimizing costs. The study in question was undertaken with the aim of training the consumptions of the last 3 years with machine learning in a facility where concrete pumps are produced and predicting the demands for future periods. In the first stage, ABC-XYZ analysis is performed by taking into account the data set of the consumption of materials, and in the second stage, it aims to predict the consumption for the next year. Considering time series methods for demand forecasting, it was decided that ARIMA was the most appropriate model. The model will be coded in Python software language and ABC-XYZ analysis will be performed. Future demand forecasts for materials will be made by developing Arima and Sarima libraries together with machine learning methods in the Python software language. Understanding the data; Time series decomposition is used to divide the data into testing and training. Lower training and testing error values of 0.80 and 0.20, respectively, will be used to predict the material demand of the ARIMA model. With the proposed mathematical model, it is expected that materials will be supplied with more accurate order quantities and inventory costs will be reduced.
Benzer Tezler
- High impedance fault detection in medium voltage distribution systems using wavelet transform
Dalgacık dönüşümü kullanılarak orta gerilim dağıtım sistemlerinde yüksek empedanslı arıza tespiti
BARAA MAKKAWI
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER USTA
- FRP sargılı beton elemanların eksenel basınç dayanımının tahmininde farklı makine öğrenimi yöntemlerinin karşılaştırılması
Comparison of different machine learning methods in predicting the axial compressive strength of FRP confined concrete elements
WAJAHAT SAADAT
Yüksek Lisans
Türkçe
2025
İnşaat MühendisliğiGazi Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NALAN KAYA
- Swarm fighter aircraft control with deep reinforcement learning approach
Derin pekiştirmeli öğrenme ile sürü savaş uçaklarının kontrolü
METİN SARI
Yüksek Lisans
İngilizce
2025
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. FİKRET ÇALIŞKAN
- Machine learning techniques for USDT price forecasting and their correlation with gold
USDT fiyat tahmini için makine öğrenimi teknikleri ve altın ile korelasyonu
YOUSSEF EL OUARDIGHI
Yüksek Lisans
İngilizce
2024
Bilim ve TeknolojiBahçeşehir ÜniversitesiYapay Zeka Ana Bilim Dalı
Prof. Dr. RÜŞTÜ MURAT DEMİRER
- Application of machine learning techniques for predictive maintenance
Kestirimci bakım için makine öğrenmesi tekniklerinin uygulanması
ÖZLEM ECE YÜREK
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Yazılımı Ana Bilim Dalı
PROF. DR. DERYA BİRANT