Comparison of the spare part demand forecasting models in automotive industry
Otomotiv sektöründe yedek parça talep tahmin modellerinin karşılaştırılması
- Tez No: 956966
- Danışmanlar: DR. ÖĞR. ÜYESİ TAMER UÇAR
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Bilim Dalı
- Sayfa Sayısı: 90
Özet
Bu tez, otomotiv sektöründe etkin envanter yönetiminin en önemli parçalarından biri olan yedek parça talep tahmini için farklı yöntemlerin performansını karşılaştırmayı amaçlamaktadır. Geleneksel istatistiksel modellerin aksine özellikle NLP alanında yaygın olarak kullanılan DeepAR, Prophet, LSTM ve Attention tabanlı LSTM modelleri kullanılarak bu yöntemlerin otomotiv sektöründeki yedek parça sipariş verilerini tahmin edebilme yetenekleri incelenmiştir. Araştırmada, Türkiye'deki bir otomotiv firmasının 2018 yılına ait verileri kullanılarak yedek parça zaman serileri durağan, durağan olmayan, mevsimsel ve mevsimsel olmayan olarak sınıflandırılmıştır. Böylece, analiz edilen modellerin farklı zaman serisi yapıları üzerindeki etkinliği ayrıntılı olarak değerlendirilmiştir. Bu çalışmanın en önemli katkılarından biri, başlangıçta NLP için geliştirilen Dikkat mekanizmasının zaman serisi tabanlı talep tahminini geliştirmedeki etkinliğini ve faydalarını vurgulamaktır. Sonuçlar, gelişmiş tahmin modellerinin otomotiv sektöründe envanter yönetiminde kullanılan ölçütleri nasıl iyileştirebileceğini ve böylece daha fazla operasyonel verimlilik ve daha düşük maliyetler sağlayabileceğini göstermektedir.
Özet (Çeviri)
This thesis aims to compare the performance of different methods for spare parts demand forecasting, which is one of the most important parts of effective inventory management in the automotive industry. In contrast to traditional statistical models, DeepAR, Prophet, LSTM, and Attention-based LSTM models, which are widely used especially in the field of NLP, are used to examine the ability of these methods to predict spare parts order data in the automotive industry. The research classifies spare parts time series as stationary, non-stationary, seasonal, and non-seasonal using data from an automotive company in Turkey since 2018. Thus, the effectiveness of the analyzed models on different time series structures was evaluated in detail. One of the key contributions of this study is highlighting the effectiveness and benefits of the Attention mechanism, initially developed for NLP, in enhancing time series-based demand forecasting. The results demonstrate how advanced forecasting models can improve metrics that are used in inventory management in the automotive sector, leading to greater operational efficiency and reduced costs.
Benzer Tezler
- Talep belirsizliği altında yedek parça stoklarının yönetimi
Spare parts stock management under demand uncertainty
GÜLÇİN ÖZGÜRBÜZ
Yüksek Lisans
Türkçe
2017
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. DİLAY ÇELEBİ
- Endüstriyel mikro şebekelerde dinamik enerji yönetim modeli önerisi ve örnek uygulama
A dynamic energy management model proposal for energy management in industrial microgrids and a case study
ZEYNEP BEKTAŞ
Doktora
Türkçe
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLGÜN KAYAKUTLU
- Pamuklu tekstil endüstrisinde maliyet analizleri
Cost analysis in cotton textile industry
ÖZLEM ÖZAK
Yüksek Lisans
Türkçe
1990
Tekstil ve Tekstil Mühendisliğiİstanbul Teknik ÜniversitesiDOÇ.DR. HALUK ERKUT
- Forecasting customer service demand by machine learning with real life implementation
Makine öğrenmesi ile müşteri hizmet talebi tahminlemesi
SİMGE GÜÇLÜKOL
Yüksek Lisans
İngilizce
2020
Endüstri ve Endüstri MühendisliğiSabancı ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. KEMAL KILIÇ
DR. ÖĞR. ÜYESİ MAHMUT ALİ GÖKÇE