Deniz taşımacılığında makine öğrenmesi yöntemleriyle talep ve teslim süresi tahmini
Demand and lead time prediction with machine learning methods in maritime shipping
- Tez No: 984289
- Danışmanlar: DOÇ. DR. SEVAL ENE YALÇIN
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Türk denizciliği, Yapay zeka ve makine öğrenmesi dersi, Türkiye's maritime, Artificial intelligence and machine learning course
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Bursa Uludağ Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Değişken küresel ticaret dinamiklerinin yaşandığı bir çağda, deniz taşımacılığı uluslararası lojistiğin temel bir bileşenidir. Ancak deniz taşımacılığı, dalgalanan talep, operasyonel kısıtlar ve çevresel belirsizliklerden kaynaklanan kesintilere maruz kalmaktadır. Tez çalışmasının temel amacı, Türk denizcilik sektöründe operasyonel karar alma süreçlerini iyileştirmek üzere, konteyner iş hacmi talebi ve teslim süresi tahmininde yüksek doğruluk sağlayan, veri odaklı ve pratik uygulanabilir makine öğrenmesi (ML) modelleri geliştirmektir. Gerçek dünya verilerine dayalı olarak, çalışma, konteyner iş hacmi talebini ve teslim süresini etkileyen karmaşık, doğrusal olmayan etkileşimleri yakalamak için hibrit mimariler dahil olmak üzere bir dizi tahmin modeli geliştirmekte, eğitmekte ve değerlendirmektedir. Tez çalışmasında, denetimli öğrenme metodolojileri benimsenmiş ve çeşitli ML algoritmaları karşılaştırılmıştır. Temel etkileyici faktörleri belirlemek için gri ilişkisel analiz yöntemi kullanılmıştır. Önceki çalışmalardan farklı olarak, bu çalışmada, konteyner iş hacmi çıktısı ve sevkiyat teslim sürelerini eş zamanlı olarak tahmin etmek için entegre bir yaklaşım sunulmuştur. Bu iki odaklı yaklaşım, mevcut literatürde nadiren birlikte ele alınmıştır. Önerilen sistem, geleneksel istatistiksel yöntemlere kıyasla tahmin doğruluğunda önemli iyileştirmeler göstererek, nakliye operatörleri, liman otoriteleri ve tedarik zinciri paydaşları için eyleme dönüştürülebilir içgörüler sağlamaktadır. Sonuçlar, önerilen modellerin literatürdeki yaklaşımlara kıyasla daha yüksek tahmin doğruluğu sunduğunu ortaya koymuş, ayrıca, geliştirilen kullanıcı dostu arayüz sayesinde modellerin saha uygulamalarında etkin biçimde kullanılabileceği anlaşılmıştır. Bu tez, yalnızca denizcilik lojistiği tahminlemesinin akademik anlayışını ilerletmekle kalmayıp, aynı zamanda Türk ticaret altyapısının bölgesel karmaşıklıklarına uyarlanmış ölçeklenebilir araçlar da sunmaktadır.
Özet (Çeviri)
In an era of volatile global trade dynamics, maritime transport is a fundamental component of international logistics. However, maritime transport is subject to disruptions caused by fluctuating demand, operational constraints, and environmental uncertainties. The primary objective of this thesis is to develop data-driven and practically applicable machine learning (ML) models that provide high accuracy in predicting container volume demand and delivery times, with the aim of improving operational decision-making processes in the Turkish maritime sector. Based on real-world data, the study develops, trains, and evaluates a series of prediction models, including hybrid architectures, to capture the complex, non-linear interactions that influence container cargo volume demand and delivery times. The thesis adopts supervised learning methodologies and compares various ML algorithms. The grey relational analysis method has been used to identify the key influencing factors. Unlike previous studies, this study presents an integrated approach to simultaneously predict container cargo volume output and shipment delivery times. This dual-focused approach is rarely addressed together in the existing literature. The proposed system provides actionable insights for shipping operators, port authorities, and supply chain stakeholders, demonstrating significant improvements in prediction accuracy compared to traditional statistical methods. The results demonstrate that the proposed models offer higher prediction accuracy compared to approaches in the literature, and the developed user-friendly interface makes them usable for field applications. This thesis not only advances the academic understanding of maritime logistics forecasting but also provides scalable tools adapted to the regional complexities of Turkey's trade infrastructure.
Benzer Tezler
- 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
- Gemi taşımacılığında veriye dayalı yakıt tüketimi optimizasyonu
Data driven fuel consumption optimization of vessels
TARIK TAŞPINAR
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZEYNEP ORMAN
- Digitalization in business to business marketing: Development of strategies and technologies for the transformation of maritime transportation
İşletmeden işletmeye pazarlamada dijitalleşme: Deniz taşımacılığının dönüşümü için strateji ve teknolojilerin geliştirilmesi
FEVZİ BİTİKTAŞ
Doktora
İngilizce
2020
DenizcilikDokuz Eylül ÜniversitesiDenizcilik İşletmeleri Yönetimi Ana Bilim Dalı
PROF. DR. OKAN TUNA
- Deniz taşımacılığında emniyet esaslı akıllı gemi denetim analitiği
Safety based intelligent ship inspection analytics for maritime transportation
SEYİD MAHMUD ESAD DEMİRCİ
Doktora
Türkçe
2023
Deniz Bilimleriİstanbul Teknik ÜniversitesiDeniz Ulaştırma İşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. KADİR ÇİÇEK
- Türkiye'de denizciliğin ekonomik büyüklüğü üzerine bir uygulama
An application on the economic size of maritime in Türkiye
OĞUZ CAN