Lojistik araç organizasyonunda yük faktörünün iyileştirilmesi için yapay zekâ temelli bir karar destek sistemi önerisi
An artificial intelligence based decision support system proposal for improving load factor in logistic vehicle organisation
- Tez No: 955421
- Danışmanlar: PROF. DR. BURAK ERKAYMAN, DR. ÖĞR. ÜYESİ BİLAL USANMAZ
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 128
Özet
Amaç: Bu çalışmanın amacı, lojistik sevkiyat süreçlerinde araçların taşıma verimliliğini artırmak için yapay zekâ temelli bir karar destek sistemi geliştirilmesidir. Özellikle yük faktörünün artırılması, araç kullanımının optimize edilmesi ve sevkiyat sayısının düşürülmesi amaçlanmıştır. Aynı zamanda, bu sistem aracılığıyla lojistik performansın izlenebilir, ölçülebilir ve iyileştirilebilir hâle getirilmesi hedeflenmiştir. Yöntem: Bu çalışmada, bir otomotiv firmasına ait 881 sevkiyat verisi kullanılarak çok aşamalı bir analiz gerçekleştirilmiştir. İlk aşamada senaryo tabanlı bir yaklaşımla sistemin taşıma davranışı analiz edilmiştir. Devamında, otokodlayıcı kullanılarak elde edilen düşük boyutlu temsiller ile denetimsiz öğrenme algoritmaları uygulanmış ve benzer taşıma özellikleri gösteren sevkiyatlar kümelenmiştir. Kümeleme sonuçlarının doğruluğunu artırmak için topluluk kümeleme yöntemleri (çoğunluk oylaması ve yığınlama) kullanılmıştır. Ardından, model kararları açıklanabilir yapay zekâ (explainable artificial intelligence – XAI) teknikleriyle değerlendirilmiştir. Son olarak pekiştirmeli öğrenme (reinforcement learning – RL) yöntemine dayalı bir öneri sistemi geliştirilmiştir. Ayrıca insan uzman girdisinin sürece entegre edildiği insan-döngüde pekiştirmeli öğrenme (human-in-the-loop reinforcement learning – HITL-RL) yapısı uygulanarak dinamik biçimde güncellenebilen bir karar mekanizması oluşturulmuştur. Bulgular: Senaryo tabanlı analizler sonucunda, sevkiyat başına taşınan tonaj ve palet miktarlarında %21 ila %99 arasında artış sağlandığı gözlemlenmiştir. Pekiştirmeli öğrenme uygulaması sonucunda, toplam sevkiyat sayısı 881'den 415'e düşürülmüş ve bu sayede taşıma maliyetinde %51 oranında azalma sağlanmıştır. Ayrıca yük faktörü tonaj ve palet olarak %77 ila %88 arasında iyileştirilmiştir. Ayrıca HITL-RL yaklaşımı sayesinde, sistem önerileri insan katkısıyla dinamik biçimde güncellenebilir hale gelmiştir. Bu yapı, özellikle belirsizliklerin yüksek olduğu durumlarda modelin esnekliğini ve güvenilirliğini artırarak daha dengeli ve saha uyumlu kararların alınmasını mümkün kılmaktadır. Sonuç: Geliştirilen yapay zekâ destekli karar destek sistemi, lojistik operasyonlarda hem kaynak kullanımını optimize eden hem de performans iyileştirmeleri sunan bütüncül bir yaklaşımla tasarlanmıştır. Senaryo tabanlı analiz, otokodlayıcı temelli kümeleme, açıklanabilir yapay zekâ, pekiştirmeli öğrenme ve insan-makine iş birliğini bir araya getiren bu yapı, sahada uygulanabilir, açıklanabilir ve geliştirilebilir bir çözüm olarak sektöre önemli katkılar sunmaktadır.
Özet (Çeviri)
Purpose: The aim of this study is to develop an artificial intelligence-based decision support system to improve vehicle transport efficiency in logistics shipment processes. Specifically, it aims to increase the load factor, optimize vehicle utilization, and reduce the number of shipments. Additionally, the system is intended to make logistics performance traceable, measurable, and improvable. Method: In this study, a multi-stage analysis was conducted using 881 shipment records from the logistics operations of an automotive company. In the first stage, a scenario-based approach was adopted to analyse the system's transport behaviour. Subsequently, unsupervised learning algorithms were applied to both the original dataset and low-dimensional representations obtained via autoencoder-based feature extraction, leading to the clustering of shipments with similar transport characteristics. To enhance the robustness of the clustering results, ensemble clustering methods (majority voting and stacking) were employed. The decision-making process of the model was then examined using explainable artificial intelligence (XAI) techniques. Finally, a recommendation system based on the reinforcement learning method was developed. In addition, a human-in-the-loop reinforcement learning (HITL-RL) framework was implemented, enabling the integration of expert input into the learning process and allowing for a dynamically adaptable decision-making mechanism. Findings: As a result of the scenario-based analyses, improvements ranging from 21% to 99% were observed in the average amount of tonnage and pallets transported per shipment. As a result of the reinforcement learning application, the total number of shipments was reduced from 881 to 415, and accordingly, the overall transportation cost decreased by 51%. Additionally, the load factor improved between 77% and 88% in terms of both tonnage and pallet count. Furthermore, the HITL-RL approach enabled dynamic updates to system recommendations through expert input. This structure enhanced the flexibility and reliability of the model, especially under high uncertainty, allowing for more balanced and operationally aligned decision-making. Results: The developed artificial intelligence–driven decision support system has been designed with a holistic approach that both optimizes resource utilization and enables performance improvements in logistics operations. Integrating scenario-based analysis, autoencoder-based clustering, explainable artificial intelligence, reinforcement learning, and human–machine collaboration, this framework offers a practical, interpretable, and extensible solution, providing significant contributions to the logistics sector.
Benzer Tezler
- Analyse de temps en logistique ınterne et application de la methode MTM 3
İç lojistikte zaman analizi ve MTM 3 yönteminin uygulanması
ESMA ASLI TÜRKER
Yüksek Lisans
Fransızca
2004
Endüstri ve Endüstri MühendisliğiGalatasaray ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
Y.DOÇ.DR. MÜJDE EROL GENEVOİS
- An optimization model to control the flow of relief commodities in humanitarian supply chain under uncertainty
Belirsiz koşullarda insani yardım tedarik zinciri malzeme akışını kontrol etmede optimizasyon modeli
ISRAA ISMAIL
Doktora
İngilizce
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ESRA BAŞ
- İnsansız Hava Araçları'nın lojistik sektöründe kullanılmasına ilişkin profesyonel algılamaları: Bazı meslek grupları ve drone pilotları üzerinde bir araştırma
Professional perceptions of using Unmanned Aerial Vehicles (UAV) in logistics sector: A research on some vocational groups and drone pilots
TALHA BURAK ÇALIŞKAN
Yüksek Lisans
Türkçe
2020
Sivil HavacılıkAkdeniz ÜniversitesiUluslararası Ticaret ve Lojistik Ana Bilim Dalı
PROF. DR. RAMAZAN ERTURGUT
- Robotik kompakt depolama/boşaltma sistemleri'nin incelenmesi ve bir simülasyon modeli
Investigation of robotic compact storage/retrieval systems and a simulation model
ELİF BURCU KIZILIRMAK
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiAtatürk ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SİNAN ÖZTAŞ
DR. ÖĞR. ÜYESİ NADİDE ÇAĞLAYAN ÖZAYDIN
- Hipersezgisel yöntemlerle lojistik ağ tasarımı ve optimizasyon
Logistic network design and optimization using hyperheuristic methods
VURAL EROL
Doktora
Türkçe
2017
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT BASKAK
PROF. DR. GÜLGÜN KAYAKUTLU