Geri Dön

Design and performance evaluation of demand forecasting system for online food data

Sanal yemek verisi üzerinde talep tahmin sistemi tasarımı ve başarım değerlendirmesi

  1. Tez No: 881564
  2. Yazar: MELTEM ARSLAN
  3. Danışmanlar: DOÇ. DR. GÜLFEM ALPTEKİN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Gıda Pazarı, Talep Tahmini, NARX, Food Market, Demand Prediction, Nonlinear Autoregressive Exogenous Model
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Galatasaray Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 76

Özet

Talep tahmini, tedarik zinciri yönetimini optimize etmede ve çeşitli endüstrilerde operasyonel verimliliği artırmada kritik bir bileşendir. Talebi önceden tahmin ederek, üreticiler üretimlerini planlayabilir, dağıtım ve depolama seçenekleri konusunda bilinçli kararlar alabilir ve bozulabilir ürünlerin miktarının gerçek talebi karşılamasını sağlayabilirler. Ancak, taze gıda endüstrisinde talep tahmini, bu ürünlerin kısa raf ömrü ve yüksek talep değişkenliği nedeniyle önemli zorluklar sunmaktadır. Ayrıca, hava koşulları ve mevsimsel değişiklikler gibi dış faktörler, taze gıda arz ve talebini tahmin etmeyi daha da karmaşık hale getirir. Bu karmaşıklıklar, hızlı değişimlere uyum sağlayabilen ve gerçek zamanlı verileri içerebilen sofistike tahmin modellerini gerektirir. Bu tür modellerin uygulanması, israfı azaltmaya, aşırı üretimi düşürmeye, envanter seviyelerini optimize etmeye ve nihayetinde taze ürünlerin sürekli olarak mevcut olmasını sağlayarak müşteri memnuniyetini artırmaya yardımcı olabilir. Bu tez, özellikle sanal gıda piyasası verilerine odaklanarak talebi doğru bir şekilde tahmin etmek için gelişmiş metodolojileri ve algoritmaları araştırmaktadır. Bu amaçla, bir Türk firması tarafından geliştirilen bir veri seti ve Kaggle'dan Gıda Talebi Tahmini adlı bir veri seti kullandık. Model olarak, Doğrusal Regresyon, Karar Ağacı Regressörü, Rastgele Orman Regressörü, Gradient Boosting Regressörü, eXtreme Gradient Boosting, Çok Katmanlı Algılayıcı Regressörü, Light Gradient Boosting Makinesi ve Doğrusal Olmayan Dışsal Otoregresif (NARX) Modeli kullandık. İlk yedi model, zaman serisi modeli olan NARX Model için bir kıyaslama olarak kullanıldı. Modellerin performansını değerlendirmek için kullanılan performans metrikleri, Kök Ortalama Kare Hatası, R-kare, Ortalama Kare Hatası ve Ortalama Mutlak Hata'dır. Yedi makine öğrenimi modeli arasında, Sanal Market Veri Seti için Karar Ağacı Regressörü ve Rastgele Orman Regressörü en iyi performansı sergilemektedir. Ayrıca, Gıda Talebi Tahmini veri seti için, Light Gradient Boosting Makinesi modeli en iyi performansı sergilemekte olup, en düşük Kök Ortalama Kare Hatasına (138,45) ve en yüksek R-kareye (0,87), en düşük Ortalama Kare Hatasına (19.169,66) ve düşük bir Ortalama Mutlak Hata'ya (75,51) sahiptir. Son olarak, diğer modellere kıyasla, NARX orta düzeyde performans göstermektedir. Doğrusal Regresyon modelinden önemli ölçüde daha iyi performans göstermektedir. Ancak, NARX Modeli diğer modellere kıyasla performans bakımından geride kalmaktadır.

Özet (Çeviri)

Demand prediction is a critical component in optimizing supply chain management and enhancing operational efficiency in various industries. By predicting demand in advance, manufacturers can plan their production, make informed decisions regarding distribution and storage options, and ensure that the amount of perishable goods meets real demand. However, demand prediction in the fresh food industry presents significant challenges due to the short shelf life and high demand variability of these products. Additionally, external factors such as weather conditions and seasonal changes make predicting supply and demand for fresh food even more complex. These complexities necessitate sophisticated prediction models that can adapt to rapid changes and incorporate real-time data. Implementing such models can help mitigate waste, decrease overproduction, optimize inventory levels, and ultimately improve customer satisfaction by ensuring fresh products are consistently available. This thesis explores advanced methodologies and algorithms seven for accurately predicting demand, particularly focusing on online food market data. For this purpose, we used two food related datasets; Online Market Dataset and a dataset from Kaggle called Food Demand Forecasting. As models we used Linear Regression, Decision Tree Regressor, Random Forest Regressor, Gradient Boosting Regressor, eXtreme Gradient Boosting, Multi-layer Perceptron Regressor, Light Gradient Boosting Machine, and Nonlinear Autoregressive Exogenous Model. The first seven models were used as a benchmark for the time series model, Nonlinear Autoregressive Exogenous Model. The performance metrics used to evaluate the models' performance are Root Mean Squared Error, R-squared, Mean Squared Error, and Mean Absolute Error. Among the seven machine learning models, for the Online Market Dataset, the Decision Tree Regressor and Random Forest Regressor exhibit the best performance. In addition, for the Food Demand Forecasting dataset, the Light Gradient Boosting Machine model exhibits the best performance, having the lowest Root Mean Squared Error (138,45) and highest R-squared (0,87), as well as the lowest Mean Squared Error (19.169,66) and a low Mean Absolute Error (75,51). Lastly, compared to other models, the Nonlinear Autoregressive Exogenous Model shows moderate performance. It performs significantly better than the Linear Regression model. However, the Nonlinear Autoregressive Exogenous Model is outperformed by other models.

Benzer Tezler

  1. Tam zamanında imalat sisteminin simülasyon ile analizi ve uygulanabilirliğinin etüdü

    An Analysis of the just in time manufacturing system by simulation and a study for its applicability

    SEMRA DURMUŞOĞLU

  2. Designing a reference architecture for personal learning environments

    Kişisel öğrenme ortamları için bir referans mimari tasarlanması

    SELAMİ BAĞRIYANIK

    Doktora

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM KARAHOCA

  3. Şirket karlılığının artırılmasında insan kaynakları ile ilgili bir model araştırması

    Başlık çevirisi yok

    CÜNEYT DEMİRKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    1998

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    Yapı İşletmesi Ana Bilim Dalı

    PROF. DR. DOĞAN SORGUÇ

  4. Katar 2030 yılı elektrik üretim kapasitesinin güneş enerjisi ile arttırımı: Çatı üstü güneş sistemi tasarımı ve çevreye katkısı

    Enhancing Qatar's 2030 electricity production capacity through solar energy: Design and environmental impact of rooftop solar systems

    EMİR ÇUBUKÇU

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MÜMTAZ İPEK

  5. Güneş radyasyon tahmini için bulanık zaman serisi yöntemleri ve fotovoltaik sulama sistemi optimizasyonunda uygulanması

    Forecasting solar radiation with fuzzy time series and optimization application in photovoltaic irrigation system

    CEYDA OLCAN

    Doktora

    Türkçe

    Türkçe

    2015

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ELMKHAN MAHMUDOV