Optimizing logistic decisions through machine learning
Makine öğrenmesi yoluyla lojistik kararların optimizasyonu
- Tez No: 990465
- Danışmanlar: PROF. DR. OKAN ORSAN ÖZENER
- Tez Türü: Yüksek Lisans
- Konular: Ulaşım, Transportation
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Özyeğin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Veri Bilimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, müşterilerin birden fazla depo ve alt şubeden gelen fiyat tekliflerini değerlendirdiği mekânsal bir kurye ağı içinde kişiye özgü teklif optimizasyonunu incelemektedir. Müşteri kabulü, sentetik veriler üzerinde eğitilmiş özellik tabanlı bir lojistik regresyon modeli kullanılarak tahmin edilmekte; bireyselleştirilmiş fiyatlar ise teklif ile tahmin edilen kabul olasılığının çarpımı olarak tanımlanan beklenen getirinin maksimize edilmesi yoluyla üretilmektedir. Alt şubelerdeki kapasite kısıtları, fiyatlandırma ile müşteri ataması arasında operasyonel bir bağımlılık oluşturmaktadır ve bu bağımlılık açgözlü (greedy) bir atama sezgisel yöntemiyle çözülmektedir. Çalışma, toplu (batch) ve yinelemeli (iterative) öğrenme yaklaşımlarını karşılaştırmakta, eşik (threshold) tabanlı sağlamlık kurallarını değerlendirmekte ve farklı kapasite dağılımlarının ile şube sayılarının etkisini analiz etmektedir. Sonuçlar, yinelemeli öğrenmenin fiyat önerilerini toplu öğrenmeye kıyasla daha erken stabilize ettiğini ve düşük veri rejimlerinde daha yüksek gelir sağladığını göstermektedir. Eşikleme, aşırı agresif fiyatlandırmayı azaltarak özellikle erken iterasyonlarda sağlamlığı artırmaktadır. Çok şubeli yapılarda dengeli kapasite dağılımları dengesiz olanlara kıyasla daha iyi performans göstermekte; şube sayısının artırılması ise giderek azalan marjinal getiriler üretmektedir. Bildiğimiz kadarıyla bu çalışma, mekânsal bir ağ üzerinde özellik temelli kabul tahmini, beklenen getiri odaklı fiyat optimizasyonu, kapasite kısıtlı atama ve yinelemeli veri büyümesini birlikte modelleyen ilk ampirik incelemedir. Bulgular, kapasite kısıtları altında operasyonel fiyatlandırma stratejilerine öngörücü modellemeyi entegre etmek isteyen lojistik firmaları için pratik yol gösterici niteliktedir.
Özet (Çeviri)
This thesis studies individualized offer optimization in a spatial courier network in which customers evaluate price offers from multiple depots and sub-branches. Customer acceptance is modeled using a feature-based logistic regression trained on synthetic data, and individualized prices are generated by maximizing expected return, defined as the product of the offer and its predicted acceptance probability. Capacity constraints at sub-branches introduce an operational coupling between pricing and assignment decisions, which is resolved using a greedy allocation heuristic. The study compares batch and iterative learning regimes, evaluates threshold-based robustness rules, and analyzes the effect of different capacity splits and numbers of branches. Results show that iterative learning consistently stabilizes price recommendations earlier than batch learning and achieves higher revenues in low-data regimes. Thresholding mitigates over-aggressive pricing and improves robustness, especially in early iterations. In multi-branch settings, balanced capacity distributions outperform skewed ones, and increasing the number of branches yields diminishing marginal gains. To our knowledge, this is the first empirical analysis to jointly model feature-based acceptance prediction, expected-return price optimization, capacity-constrained assignment, and iterative data growth on a spatial network. The findings offer practical guidance for logistics firms seeking to incorporate predictive modeling into operational pricing strategies under capacity constraints.
Benzer Tezler
- Prediction of the future success of candidates before recruitment with machine learning: A case study in the banking sector
İşe alım öncecinde adayların gelecek başarılarının makine öğrenmesiyle tahmini: Bankacılık sektöründe bir vaka çalışması
KAAN AKSAÇ
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri MühendisliğiGalatasaray ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT LEVENT DEMİRCAN
- Biyomedikal sinyaller ile yapay zeka tabanlı zihinsel iş yükünün belirlenmesi
Detection of mental workload using biomedical signals and artificial intelligence
OĞUZHAN HASAR
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR
- Konteyner liman operasyonlarının makine öğrenmesi yöntemleri ile analizi
Analysis of container port operations using machine learning methods
ÜSTÜN ATAK
Doktora
Türkçe
2022
Denizcilikİstanbul Teknik ÜniversitesiDeniz Ulaştırma İşletme Mühendisliği Ana Bilim Dalı
PROF. DR. YASİN ARSLANOĞLU
PROF. DR. TOLGA KAYA
- Makine öğrenmesi algoritmalarının hibrit yaklaşımı ile ağ anomalisi tespiti
Network anomaly detection with a hybrid approach of machine learning algorthms
FEYZA ÖZGER
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİT ÖZTEKİN
- Mil-Std 1553 tabanlı sistemler için yeni bir saldırı tespiti yaklaşımı
A new intrusion detection approach for Mil-Std 1553 based systems
YUNUS EMRE ÇİLOĞLU
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞERİF BAHTİYAR