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: Belirtilmemiş.
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
- Cam ve plastik seraların sonbahar domates üretimi yönünden karşılaştırılması
Başlık çevirisi yok
ERGUN DURAN
- Konut bölgelerinde parsel düzeni uygulamasının kent topraklarının rasyonel kullanımı çerçevesinde mimari açıdan değerlendirilmesi
An Architeet's Criticism of the Currently Practised method of plot formation in residential areas from the point of View of rational utilization of urban deatories
SUZAN ESİRGEN
Yüksek Lisans
Türkçe
1986
Şehircilik ve Bölge PlanlamaGazi ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
DOÇ. DR. UMUR ERKMAN
- Bölünüme bağlı olmayan varyans çözümlemesi çoklu karşılaştırmalar ve tarımda uygulamaları
Distiribution-free analyis of variance multiple comparisons and applications in agriculture
HAMZA GAMGAM
- Çeşitli rib örgülerin boyutsal özellikleri üzerine bazı araştırmalar
Başlık çevirisi yok
ARZU YAĞCI
Yüksek Lisans
Türkçe
1986
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ARİF KURBAK
- Pamuk ipliklerinde istatiksel bir hata analiz yönteminin geliştirilmesi üzerinde araştırmalar
Başlık çevirisi yok
AYŞE KARAKOR
Yüksek Lisans
Türkçe
1986
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNGÖR BAŞER