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
- Tez No: 955424
- 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: 114
Özet
Amaç: Bu tez çalışmasında, otomotiv yedek parça sektöründe faaliyet gösteren bir firma için tahmine dayalı stok planlaması geliştirmek amaçlanmıştır. Otomotiv sektöründe, yedek parça çeşitliliği, geniş ürün portföyü, karmaşık tedarik zinciri yapısı ve yüksek belirsizlik içermesi gibi nedenlerden dolayı talep tahmini oldukça önemlidir. Talep yapılarında görülen farklılıklar ve her birinin kendine özgü dinamiklere sahip olması, tahmin doğruluğunu doğrudan etkilediğinden bu farklılıkları dikkate alarak referansların talep yapılarına (düzgün, düzgün olmayan, değişken, aralıklı) göre sınıflandırılması ve en iyi performans gösteren yöntemin belirlenmesini gerektirmektedir. Bu nedenlerden dolayı yapay zekâ tabanlı tahmine dayalı bir stok planlaması gerçekleştirilmiş ve envanter yönetimini iyileştirmek amaçlanmıştır. Yöntem: Çalışmada, farklı talep kalıpları için makine öğrenmesi (destek vektör makinesi – DVM, rastgele orman – RO, lojistik regresyon – LR), derin öğrenme (çok katmanlı algılayıcı – ÇKA, özyinelemeli sinir ağı – ÖSA ve uzun kısa süreli bellek – UKSB) ve yığınlama topluluk öğrenmesi yöntemleri karşılaştırmalı olarak analiz edilmiştir. Her yöntemin tahmin doğruluğu performans metriklerine göre değerlendirilmiştir. En iyi performansa sahip yöntemden elde edilen tahmin sonuçları dikkate alınarak her bir referans için stok hesaplaması yapılmış ve gerçek değerlerle karşılaştırılmıştır. Bulgular: Elde edilen bulgular, talep yapılarının kendine özgü dinamiklere sahip olduğunu ve bu farklılıkların, tahminleme sürecinde kullanılan yöntemlerin başarısını doğrudan etkilediğini ortaya koymuştur. Bu durum, her talep yapısı için özel model seçiminin gerekliliğini ve farklı yapıların farklı tahminleme stratejilerine ihtiyaç duyduğunu göstermektedir. Özellikle yığınlama yönteminin kullanılması, farklı modellerin güçlü yönlerini bir araya getirdiği için tahmin doğruluğunda anlamlı iyileşmeler sağlamıştır. Derin öğrenme yöntemlerinin düzensiz talep yapısına sahip referansların tahmininde makine öğrenmesi yöntemlerine kıyasla daha yüksek doğruluk sağladığı sonucuna ulaşılmıştır. Sonuç: Sonuç olarak, tahmin başarısını artırmak için tek bir modele bağlı kalmak yerine, talep yapısına uygun modelin seçilmesinin önemi vurgulanmıştır. Elde edilen bulgular, otomotiv sektöründe faaliyet gösteren firmaların stok yönetimi, yedek parça planlaması ve üretim süreçlerinde daha isabetli ve veri temelli kararlar almalarına olanak tanıyan stratejik bir çerçeve sunmaktadır. Ayrıca, veri dengesizliği ve seyrek talep gibi tahmin sürecini zorlaştıran yapısal sorunları ele almak için talep türüne özgü modeller geliştirerek karar vericilere model seçimi konusunda sistematik ve kapsamlı bir rehberlik sağlamaktadır.
Özet (Çeviri)
Purpose: The aim of this thesis is to develop a predictive inventory planning system for a company operating in the automotive spare parts industry. Demand forecasting is very important in the automotive sector due to the diversity of spare parts, the broad product portfolio, the complex structure of the supply chain and the high level of uncertainty. Since the differences in the demand structures and the fact that each of them has its own dynamics have a direct impact on the forecasting accuracy, it is necessary to classify the references according to their demand structures (smooth, lumpy, erratic, intermittent) and to determine the best performing method by taking these differences into account. For these reasons, an artificial intelligence-based predictive stock planning was implemented and aimed to improve inventory management. Method: In the study, methods of machine learning (support vector machine - SVM, random forest - RF, logistic regression - LR), deep learning (multilayer perceptron - MLP, recurrent neural network - RNN and long short-term memory - LSTM), and stacking ensemble learning are analyzed comparatively for different demand patterns. The forecasting accuracy of each method was evaluated using performance metrics. Considering the prediction results obtained with the method with the best performance, the stock calculation was performed for each reference and compared with the actual values. Findings: The results show that demand structures have unique dynamics and that these differences have a direct impact on the success of the methods used in the forecasting process. This shows that a specific model selection is required for each demand structure and that different structures require different forecasting strategies. The use of the stacking method in particular led to significant improvements in prediction accuracy, as it combines the strengths of different models. It is concluded that deep learning methods provide higher accuracy in predicting references with irregular demand structure compared to machine learning methods. Results: As a result, the importance of choosing the appropriate model for the demand structure, rather than relying on a single model, is emphasized to improve forecasting success. The results provide a strategic framework that enables companies operating in the automotive sector to make more accurate and data-driven decisions in inventory management, spare parts planning, and production processes. It also provides decision makers with systematic and comprehensive guidance on model selection by developing demand type-specific models to address structural issues that complicate the forecasting process, such as data imbalance and inconsistent demand.
Benzer Tezler
- Network digital twins: Tackling challenges and enhancing wireless network management
Ağ dijital ikizleri: Sorunları ele alma ve kablosuz ağ yönetimini geliştirme
ELİF AK
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BERK CANBERK
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Efficient estimation of Shrinkage parameters in fuzzy Ridge and fuzzy Liu regression models using α-cut-based methods under multicollinearity
Çoklu bağıntı durumunda bulanık Ridge ve bulanık Liu regresyon modellerinde α-kesim tabanlı yöntemler kullanılarak Shrinkage parametrelerinin etkin tahmini
AMMAR HOMAIDA
- COVID-19 mutasyonlarının tespitinde yapay zeka tabanlı algoritmaların kullanılması
Use of artificial intelligence-based algorithms in detecting COVID-19 mutations
MEHMET BURUKANLI
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NEJAT YUMUŞAK
- Applications of ensemble learning paradigm and advanced hyperparameter optimization techniques in landslide susceptibility mapping
Heyelan duyarlılık haritalamasında topluluk öğrenme paradigması ve gelişmiş hiperparametre optimizasyonu algoritmalarının uygulamaları
ALİHAN TEKE
Yüksek Lisans
İngilizce
2022
Jeodezi ve FotogrametriGebze Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. TAŞKIN KAVZOĞLU