Otomotiv yan sanayi firmasında makine öğrenmesi ve derin öğrenme yöntemiyle müşteri taleplerinin tahmin edilmesi
Demand forecasting with machine learning and deep learning method in automotive supplier
- Tez No: 979220
- Danışmanlar: DOÇ. DR. YILDIZ ŞAHİN
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Makine Öğrenmesi, Otomotiv Yan Sanayi, Talep Tahminleme, Tedarik Zinciri, Yapay Zeka, Machine Learning, Automotive Aftermarket, Demand Forecasting, Supply Chain, Artificial Intelligence
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
İşletmeler, artan küresel rekabet ortamında, kârlılıklarını artırmak ve varlıklarını sürdürebilmek için belirsizlikleri en etkin şekilde yönetmek zorundadır. Özellikle Covid-19 salgınıyla birlikte tedarik zinciri alanında belirsizliklerin yönetimi daha da büyük önem kazanmıştır. Bu bağlamda tedarik zincirinin en önemli girdi kaynaklarından biri olan müşteri siparişlerinin uzun vadeli olarak tahmin edilmesi sürecin başarısı için kilit bir faktör haline gelmiştir. Talep tahminlemesi, müşteri siparişlerinin geçmiş verilerini ve bu veriler arasındaki ilişkilerini kullanarak gelecekte ne sipariş edileceğinin en düşük hata payıyla öngörme sürecidir. Bu araştırma, otomotiv yan sanayinde faaliyet gösteren bir işletmenin müşteri sipariş tahminlerinin doğruluğunu artırmak amacıyla, veri seti büyüklüğü, dönemsel etkiler ve algoritmaların tahmin başarımı açısından makine öğrenmesi ve derin öğrenme yöntemlerinin karşılaştırmalı analizini sunmaktadır. Talep tahmini sürecinde, MLP (Çok Katmanlı Algılayıcı), LSTM (Uzun Kısa Süreli Bellek Ağı), BLSTM (Çift Yönlü Uzun Kısa Süreli Bellek Ağı), GRU (Geçitli Tekrarlayan Birimler), DT (Karar Ağaçları), RF (Rassal Orman), KNN (K-En Yakın Komşu), XGBoost (Aşırı Gradyan Artırma) ve CatBoost (Kategori Yükseltme) olmak üzere dokuz farklı algoritma, Python programlama dili kullanılarak uygulanmıştır. Tahmin değerleri, gerçekleşen satış rakamlarıyla kıyaslanarak, R², MAE, RMSE, MSE hata metriklerine göre incelenmiştir. Rassal Orman (Random Forest, RF) algoritması, tüm dönemlerde en istikrarlı ve yüksek doğruluk oranına sahip tahminleri sunduğunu göstermektedir. Genel değerlendirme sonucunda, makine öğrenmesi algoritmalarının, derin öğrenme algoritmalarına kıyasla daha düşük hata oranları ve daha yüksek tahmin doğruluğu ile üstün performans sergilediği gözlemlenmiştir.
Özet (Çeviri)
Businesses have to manage uncertainties in the most effective way in order to increase their profitability and sustain their existence in an increasingly global competitive environment. Especially with the Covid-19 pandemic, the management of uncertainties in the supply chain has gained even more importance. In this context, long-term forecasting of customer orders, one of the most important input sources of the supply chain, has become a key factor for the success of the process. Demand forecasting involves using historical customer order data and the relationships among these variables to estimate future demand with minimal error. This study presents a comparative analysis of machine learning and deep learning methods in terms of dataset size, period-specific effects, and prediction performance, aiming to improve the accuracy of customer order forecasting for a company operating in the automotive supplier industry. In the demand forecasting process, nine different algorithms including MLP (Multilayer Perceptron), LSTM (Long Short-Term Memory Network), BLSTM (Bidirectional Long Short-Term Memory Network), GRU (Gated Recurrent Units), DT (Decision Trees), RF (Random Forest), KNN (K-Nearest Neighbor), XGBoost (Extreme Gradient Boost) and CatBoost (Category Boost) were implemented using Python programming language. The predictions were compared to actual sales figures and evaluated using R², MAE, RMSE, and MSE metrics. The Random Forest (RF) algorithm shows that it provides the most stable and highly accurate forecasts in all periods. Overall, the results show that machine learning algorithms outperform deep learning algorithms with lower error rates and higher prediction accuracy.
Benzer Tezler
- Alaşımsız dual fazlı çeliklerin mekanik ve nokta kaynağı özellikleri
Başlık çevirisi yok
A.İRFAN YÜKLER
- Üretim işletmelerinde spesifikasyon ve tolerans analizi -bir otomotiv işletmesinde uygulama-
Başlık çevirisi yok
A.SERMET ANAGÜN
Yüksek Lisans
Türkçe
1985
Endüstri ve Endüstri MühendisliğiAnadolu ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. MUSA ŞENEL
- Effect of ethanol and gasoline blends on exhaust gas emissions in S.I. engines
Başlık çevirisi yok
FAROOQ AHMED
- Dört zamanlı buji ile ateşlemeli bir motor performansının bilgisayar yardımı ile simulasyonu
Computer aided simulation of a four-stroke spark ignition engine performance
SELİM ÇETİNKAYA
Doktora
Türkçe
1987
Makine MühendisliğiGazi ÜniversitesiMakine Eğitimi Ana Bilim Dalı
PROF. DR. BİLGE ERDİLLER
