Geri Dön

Lojistik sektöründe yapay zeka ile dönemlik araç talep tahmini

Forecasting seasonal vehicle demand in the logistics industry using artificial intelligence

PDF İndir

  1. Tez No: 923236
  2. Yazar: ERHAN HAYTA
  3. Danışmanlar: DOÇ. DR. MURAT KÖKLÜ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Selçuk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilişim Teknolojileri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 80

Özet

Lojistik sektöründe araç talep tahmini amacıyla yapılan bu tez çalışmasında, 10 yıllık geçmiş verilere dayalı olarak oluşturulan veri seti, Uzun Kısa Süreli Bellek (Long Short-Term Memory, LSTM), Çok Katmanlı Algılayıcı (Multilayer Perceptron, MLP) ve Destek Vektör Regresyonu (Support Vector Regression, SVR) modelleriyle analiz edilmiştir. Modellerin performansı, Ortalama Kare Hatası (Mean Squared Error, MSE), Kök Ortalama Kare Hatası (Root Mean Squared Error, RMSE) ve Sıra Korelasyonu (Rank Correlation, RC) metrikleri kullanılarak değerlendirilmiştir. LSTM modeli, Epoch: 50, Batch Size: 128 ve Lookback: 10 parametreleriyle MSE: 5239,25, RMSE: 72,3826 ve RC: 0,9513 değerleriyle en iyi sonuçları elde etmiştir. MLP modeli ise Epoch: 600 ve Batch Size: 128 parametreleriyle MSE: 12332,8, RMSE: 111,0531 ve RC: 0,8826 değerlerine ulaşmıştır. SVR modeli, C: 100, gamma: 0,001 ve Epsilon: 1 parametreleriyle MSE: 4977,74, RMSE: 70,5531 ve RC: 0,9512 değerleriyle başarılı sonuçlar verirken, C: 1000, gamma: 1 ve Epsilon: 0,001 parametreleriyle en kötü performansı göstermiştir (MSE: 173858,3, RMSE: 416,9632, RC: 0,8469). Sonuçlar doğrultusunda, LSTM ve SVR modelleri en iyi performansı sergileyen modeller olarak belirlenmiştir. Bununla birlikte, SVR modelinin parametre ayarlarına karşı oldukça hassas olduğu gözlemlenmiştir. LSTM modeli, gerçekçi tahminler üretme kapasitesi nedeniyle SVR modeline kıyasla daha uygun bir seçenek olarak değerlendirilmiştir.

Özet (Çeviri)

In this thesis study, conducted to forecast vehicle demand in the logistics sector, a dataset created based on 10 years of historical data was analyzed using Long Short-Term Memory (LSTM), Multilayer Perceptron (MLP), and Support Vector Regression (SVR) models. The performance of the models was evaluated using the metrics Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and Rank Correlation (RC). The LSTM model, with parameters Epoch: 50, Batch Size: 128, and Lookback: 10, achieved the best results with MSE: 5239.25, RMSE: 72.3826, and RC: 0.9513. The MLP model, on the other hand, reached MSE: 12332.8, RMSE: 111.0531, and RC: 0.8826 with parameters Epoch: 600 and Batch Size: 128. The SVR model showed successful results with parameters C: 100, gamma: 0.001, and Epsilon: 1, achieving MSE: 4977.74, RMSE: 70.5531, and RC: 0.9512, while the worst performance was observed with parameters C: 1000, gamma: 1, and Epsilon: 0.001 (MSE: 173858.3, RMSE: 416.9632, RC: 0.8469). Based on the results, the LSTM and SVR models were identified as the best-performing models. However, it was observed that the SVR model is highly sensitive to parameter settings. The LSTM model was deemed a more suitable option compared to the SVR model due to its capacity to produce more realistic predictions.

Benzer Tezler

  1. Tez No

    835527

    Sağlık sektöründe yapay zekâ temelli bir klinik karar destek sisteminin geliştirilmesi

    Development of an artificial intelligence-based clinical decision support system in the healthcare system

    TUBA IRMAK

    Doktora

    Türkçe

    Türkçe

    2023

    Endüstri ve Endüstri MühendisliğiAtatürk Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ELİF KILIÇ DELİCE

  2. Tez No

    880811

    Lojistik sektöründe yenilikçi teknolojilerin kabulü

    Adoption of innovative technologies in the logistics sector

    TUĞÇE BAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    UlaşımSakarya Uygulamalı Bilimler Üniversitesi

    Uluslararası Ticaret ve Lojistik Ana Bilim Dalı

    PROF. DR. SİNAN ESEN

  3. Tez No

    934675

    İnşaat sektöründe iş kazaları sonucu oluşan iş göremezlik sınıfının yapay zeka yöntemleri ile bulunması

    Determination of work disability classification resulting from occupational accidents in the construction sector using artificial intelligence methods

    ESRA GAZİOĞULLARI

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. TANER TUNCER

  4. Tez No

    802575

    Yapay zeka tabanlı katlanır bomlu vinç güvenlik asistanı

    Artificial intelligence based knuckle-boom crane safety assistant

    KERİM KARAGÖZLER

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiKonya Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT CEYLAN

  5. Tez No

    955424

    Yapay zekâ tabanlı yaklaşımlar ile tahmine dayalı stok planlamasının otomotiv sektöründe uygulamalı analizi

    An applied analysis of predictive inventory planning with artificial intelligence-based approaches in the automotive industry

    ÖZGE ALBAYRAK ÜNAL

    Doktora

    Türkçe

    Türkçe

    2025

    Endüstri ve Endüstri MühendisliğiAtatürk Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. BURAK ERKAYMAN

    DR. ÖĞR. ÜYESİ BİLAL USANMAZ

Geri Dön