Location-based revenue prediction for the restaurant industry
Restoran sektörü için konum tabanlı gelir tahmini
- Tez No: 957129
- Danışmanlar: DOÇ. DR. TEVFİK AYTEKİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Büyük Veri ve Veri Analitiği Ana Bilim Dalı
- Bilim Dalı: Büyük Veri Analitiği ve Yönetimi Bilim Dalı
- Sayfa Sayısı: 69
Özet
Restoran sektörü özellikle büyük şehirlerde oldukça rekabetçi hale gelmiştir. Bu nedenle, artık stratejik kararların tahminlere göre değil, verilere dayanarak alınması her zamankinden daha önemlidir. Bu çalışmada, belirli bir konumda açılması planlanan bir restoranın yıllık cirosunu tahmin etmek amaçlanmıştır. Bunu gerçekleştirmek için konuma ait demografik bilgiler ve yakın çevredeki ilgi çekici noktaların (POI) detayları kullanılarak üç farklı modelleme yakaşımı test edilmiş ve karşılaştırılmıştır. İlk yöntem, popüler bir makine öğrenmesi algoritması olan Random Forest'tır. Bu model, yapılandırılmış sayısal veriler üzerinden çalışarak çoklu karar ağaçlarını birleştirerek tahmin yapar. İkinci yöntem, derin öğrenmeye dayalı bir dil modeli olan GeoBERT'tir (Geospatial Bidirectional Encoder Representations from Transformers). Bu model, hem metinsel hem de coğrafi bilgileri anlamlandırarak mekansal ve anlamsal bağlamı çözümlemeye olanak tanır. Üçüncü olarak önerilen Hibrit yöntem ile hem anlamsal ve mekansal bağlam korunur hem de çıktılar daha yorumlanabilir ve istikrarlı hale gelir. Hibrit model, iki yaklaşımın en güçlü yönlerini birleştirerek cirosal tahminlerde daha düşük hata oranları elde etmiştir. Sonuç olarak, hibrit modelin Random Forest'a göre daha başarılı olduğu ve GeoBERT'e göre daha istikrarlı ve yüksek genellenebilirliğe sahip olduğu gözlemlenmiştir. Bu tez çalışması yalnızca restoran sektöründe veri odaklı karar almayı desteklemekle kalmayıp, aynı zamanda diğer alanlarda da kullanılabilecek benzer konum tabanlı tahmin modellerinin geliştirilmesi için bir temel oluşturmaktadır.
Özet (Çeviri)
The restaurant industry has become highly competitive, especially in large urban areas. Because of this, data-driven decision-making has become essential for selecting new restaurant locations. This thesis focuses on predicting the annual revenue of a restaurant before it opens, based on the characteristics of its surrounding area. For each potential location, both demographic features and nearby points of interest (POIs) are used to model revenue expectations. Three different modeling approaches are developed and compared. The first is the Random Forest algorithm, which builds predictions using structured numerical data and combines multiple decision trees. The second is GeoBERT, a deep learning model that captures both spatial and semantic context by converting POI information into meaningful embeddings. GeoBERT helps understand the character of a location beyond simple numeric features. The third and most effective method is a hybrid approach. It combines GeoBERT's embeddings with Random Forest, allowing the model to benefit from both contextual richness and structured learning. This hybrid model produces more stable predictions with lower error rates compared to using Random Forest or GeoBERT alone. Experimental results show that the hybrid model achieves the best Mean Absolute Percentage Error (MAPE) among the three. While GeoBERT improves contextual understanding, the hybrid method increases overall prediction accuracy and generalizability. This thesis not only supports smarter location planning in the restaurant industry but also provides a framework for applying similar location-based prediction techniques in other fields.
Benzer Tezler
- Grocery Retail Store Revenue Prediction for Store Location Evaluation Using Spatial Interaction Models
Mağaza Yer Seçimi icin Mekansal Etkileşim Modelleri ile Süpermarket Ciro Tahmini
MÜGE SANDIKCIOĞLU
Yüksek Lisans
İngilizce
2008
Endüstri ve Endüstri MühendisliğiKoç ÜniversitesiEndüstri Mühendisliği Bölümü
DOÇ. DR. ÖZDEN GÜR ALİ
PROF. DR. SERPİL SAYIN
- Emlak vergisi için CBS ve makine öğrenmesi teknikleri kullanılarak toplu taşınmaz değerleme modeli tasarımı
Designing a mass real estate valuation model using GIS and machine learning techniques for property taxation
HALUK GÜL
Yüksek Lisans
Türkçe
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MAHMUT OĞUZ SELBESOĞLU
- Üretim kaynakları planlaması (MRP II) ve yan sanayi maliyet analizi ve kontrolü sistemi
Manufacturing resources planning (MRPII) and vendor firms cost analysis and control system
SERKAN SANCAN
Yüksek Lisans
Türkçe
1997
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUFAN VEHBİ KOÇ
- Location-allocation through machine learning for e-commerce logistic services
E-ticaret lojistik hizmetleri için makine öğrenimi yoluyla konum tahsisi
TAYYİP TOPUZ
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKadir Has ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TAMER DAĞ
- Katar 2030 yılı elektrik üretim kapasitesinin güneş enerjisi ile arttırımı: Çatı üstü güneş sistemi tasarımı ve çevreye katkısı
Enhancing Qatar's 2030 electricity production capacity through solar energy: Design and environmental impact of rooftop solar systems
EMİR ÇUBUKÇU
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MÜMTAZ İPEK