Geri Dön

Makine öğrenmesi teknikleri ile yemekhanelerde yemek talep tahmini

Food demand estimation in cafeterias with machine learning techniques

PDF İndir

  1. Tez No: 965738
  2. Yazar: BÜŞRA AYDIN
  3. Danışmanlar: PROF. DR. BÜLENT SEZEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: İşletme, Business Administration
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Gebze Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İşletme Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Yaşamın sürdürülebilmesi için gerekli besin ögelerini vücuduna alıp kullanması olarak tanımlanan beslenme bireylerin sağlıklı ve kaliteli bir yaşam sürmesi için çok büyük bir öneme sahiptir. İnsan hayatının değişimi, gıda endüstrisinin hızlı gelişimi bireylerin beslenme ihtiyaçlarını her an her yerde giderebilmelerine olanak tanımaktadır. Gıda sektöründeki gelişmeler ev dışı ortamda yemek yeme talebinde artış ile sonuçlanmıştır. Öyle ki günümüzde insanlar günlük en az bir öğününü ev dışında tüketmektedir. Bu durum gıda israfında artış, talep karşılayamama, doğru ve etkili envanter ve personel yönetiminin yapılamaması gibi kritik operasyonel problemleri beraberinde getirmiştir. Bu problemlerin önüne geçmek için gıdaya olan talebin ölçümlenmesi oldukça büyük önem arz etmektedir. Bu doğrultuda, bu çalışmada günümüz teknolojisinin ilgi odağında yer alan makine öğrenmesi tekniklerinin yemek talep tahmini üzerine uygulanmasının araştırılması amaçlanmıştır. Yapay zekanın bir alt alanı olan, dış ortamdan öğrendiklerini insan zekasının bir taklidini gerçekleştirerek işleyen makine öğrenmesi oldukça yaygın bir kullanım alanına sahiptir. Makine öğrenmesinin öğrenilen verilerden tahmin sonucu çıkarması ile gelecekteki durumların tahmin edebilmesi, o anın şartlarının yönetilmesi fırsatını sunmaktadır. Bu bağlamda bu tezde bir üniversite yemekhanesinden alınan veriler ile iki farklı çalışma gerçekleştirilmiş ve sonuçları işlenmiştir. İlk çalışmada kapsamlı bir metodolojik çerçeve kullanılmış olup XGBoost, LSTM ve Prophet modelleri ile analizler gerçekleştirilmiştir. Bu çalışma ile operasyonel etkilerin değerlendirilmesi ile %6,2 oranında gıda israfının azaltılabileceği ve hizmet seviyesi, envanter yönetimi gibi süreçlerde iyileştirmeler sağlayabileceği sonucuna varılmıştır. İkinci çalışmada ise Karar ağaçları algoritması ile hava durumu, menü tipi, tatil günleri, promosyon durumu gibi etkenlerin yemek talep tahminini nasıl etkilediği konusu araştırılmıştır. Çalışmada hava sıcaklığı faktörünün %56'lık bir oranla karar ağacı yapısında gıda talebi etkileyen baskın bir faktör olduğu saptanmıştır. Bu çalışmada ise karar ağacı tabanlı makine öğreniminin, gıda talebi tahmin doğruluğunu ve operasyonel karar almayı geliştirmek için önemli etki vaat ettiği sonucuna varılmıştır. Bu çalışmalar, makine öğrenmesi yöntemlerinin gıda talep tahmini konusundaki performansları ile operasyonel verimlilik ve sürdürebilirliğin artırılmasına rehberlik etmekle birlikte bu konuda literatüre katkı sağlamaktadır.

Özet (Çeviri)

Nutrition, defined as taking in and using the necessary nutrients to sustain life, is of great importance for individuals to live a healthy and quality life. The change in human life and the rapid development of the food industry allow individuals to meet their nutritional needs anytime, anywhere. Developments in the food sector have resulted in an increase in the demand for eating outside the home. So much so that today, people consume at least one meal a day outside the home. This situation has brought about critical operational problems such as an increase in food waste, inability to meet demand, and inability to manage accurate and effective inventory and personnel management. Measuring the demand for food is of great importance in order to prevent these problems. In this context, this study aims to investigate the application of machine learning techniques, which are at the center of attention of today's technology, on food demand prediction. Machine learning, which is a subfield of artificial intelligence and processes what it learns from the external environment by imitating human intelligence, has a very widespread area of use. The ability of machine learning to predict future situations by deriving predictive results from the learned data offers the opportunity to manage the conditions of that moment. In this context, two different studies were conducted with data from a university cafeteria in this thesis and their results were processed. In the first study, a comprehensive methodological framework was used and analyses were performed with XGBoost, LSTM and Prophet models. With the evaluation of operational effects in this study, it was concluded that food waste could be reduced by 6.2% and improvements could be provided in processes such as service level and inventory management. In the second study, the decision tree algorithm was used to investigate how factors such as weather, menu type, holidays, and promotion status affect food demand forecasting. In the study, it was determined that the air temperature factor was a dominant factor affecting food demand in the decision tree structure with a rate of 56%. In this study, it was concluded that decision tree-based machine learning promises a significant effect in improving food demand forecasting accuracy and operational decision making. These studies guide the performance of machine learning methods in food demand forecasting and increase operational efficiency and sustainability, and contribute to the literature on this subject.

Benzer Tezler

  1. Tez No

    201312

    Makine öğrenmesi teknikleri ile metinlerin otomatik olarak sınıflandırılması

    Text categorization with machine learning techniques

    AYSUN DOĞRUSÖZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2007

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Matematik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. NİLGÜN GÜLER BAYAZIT

  2. Tez No

    285467

    Makine öğrenmesi teknikleri ile RSS besleme yönetimi

    RSS feeding management by machine learning techniques

    TUĞRUL YARDIMCI

    Yüksek Lisans

    Türkçe

    Türkçe

    2011

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Eğitimi Ana Bilim Dalı

    DOÇ. DR. H. İBRAHİM BÜLBÜL

  3. Tez No

    482566

    Makine öğrenmesi teknikleri ile aritmi tespiti ve yeni öznitelikler ile başarımın artırılması

    Arrhythmia detection with machine learning techniques and increase the classification performance using new features

    YASİN KAYA

    Doktora

    Türkçe

    Türkçe

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. HÜSEYİN PEHLİVAN

  4. Tez No

    526527

    Makine öğrenmesi teknikleri ile mekansal karar destek sistemlerinin geliştirilmesi: Aksaray ili örneği

    Development of spatial decision support systems with machine learning techniques: Case of Aksaray province

    SÜLEYMAN SEFA BİLGİLİOĞLU

    Doktora

    Türkçe

    Türkçe

    2018

    Jeodezi ve FotogrametriAksaray Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. HACI MURAT YILMAZ

  5. Tez No

    527219

    Makine öğrenmesi teknikleri ile ekolojik verilerin değerlendirilmesi

    An evaluation of ecological data with machine learning techniques

    ALİŞAN BALTA

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Ekobilişim Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ŞENGÜL DOĞAN

Geri Dön