Araştırma Makalesi
BibTex RIS Kaynak Göster

Kural tabanlı bulanık yaklaşımla talep tahmini ve hızlı tüketim sektöründe bir uygulama

Yıl 2018, Cilt: 24 Sayı: 1, 83 - 93, 27.02.2018

Öz

Talep
tahmin çalışmaları hem sektörel hem de akademik anlamda karar vericiler için
önemli kabul edilen stratejik konulardan biridir. Sürekli değişen politik,
kültürel, yasal ve ekonomik gelişmeler işletmeleri belirsizlik altında tahmin
etmeye itmiştir. Karmaşık, çok boyutlu ve belirsizliğin yüksek olduğu
ortamlarda klasik yöntemlerle problemleri modellemek oldukça güçtür. Bulanık
yaklaşımlar daha esnek yapıda olduğu için daha kolay modelleme imkânı
sağlamaktadır. Bu çalışmada hızlı tüketim sektöründe faaliyet gösteren bir
firmanın talep tahmin çalışması,  bulanık
küme teorisi, bulanık eğer-ise kuralları ve bulanık çıkarım kavramlarına
dayanan kural tabanlı bulanık mantık yaklaşımıyla ele alınmıştır. Kural tabanlı
bulanık yaklaşımla elde edilen sonuçlar gerçekleşen değerler ile
karşılaştırılmış ve düşük mutlak sapma değerlerine ulaşılmıştır. Ayrıca elde
edilen sonuçlar zaman serileri yaklaşımıyla da karşılaştırılmış, yöntemlerin
üstünlükleri gösterilmiştir.

Kaynakça

  • Uçal-Sarı İ. Yatırım Analizinde Bulanık Model Önerileri. Doktora Tezi, İstanbul Teknik Üniversitesi, İstanbul, Türkiye, 2012.
  • Zadeh LA. “Fuzzy sets”. Information and Control, 8(3), 338-353, 1965.
  • Abraham A, Nath B. “A neuro-fuzzy approach for modelling electricity demand in Victoria”. Applied Soft Computing, 1(2), 127–138, 2001.
  • Wang CH. “Predicting tourism demand using fuzzy time series and hybrid grey theory”. Tourism Management, 25(3), 367–374, 2004.
  • Lau HCW, Cheng ENM, Lee CKM, Ho GTS. “A fuzzy logic approach to forecast energy consumption change in a manufacturing system”. Expert Systems with Applications, 34(3), 1813–1824, 2008.
  • Efendigil T, Önüt S, Kahraman C. “A decision support system for demand forecasting with artificial neural networks and neuro-fuzzy models: A comparative analysis”. Expert Systems with Applications, 36(3), 6697–6707, 2009.
  • Chang PC, Fan CY, Lin JJ, “Monthly electricity demand forecasting based on a weighted evolving fuzzy neural network approach”. International Journal of Electrical Power & Energy Systems, 33 (1), 17–27, 2011.
  • Karahan M. İstatistiksel Tahmin Yöntemleri: Yapay Sinir Ağları Metodu ile Talep Tahmini Uygulaması. Doktora Tezi, Selçuk Üniversitesi, Konya, Türkiye.2011.
  • Azadeh A, Ziaei B, Moghaddam M. “A hybrid fuzzy regression-fuzzy cognitive map algorithm for forecasting and optimization of housing market fluctuations”. Expert Systems with Applications, 39 (1), 298–315, 2012.
  • Zahedi G, Azizi S, Bahadori A, Elkamel A, Wan Alwi SR. “Electricity demand estimation using an adaptive neuro-fuzzy network: A case study from the Ontario province – Canada”. Energy, 49, 323–328, 2013.
  • Coşgun Ö, Ekinci Y, Yanık S. “Fuzzy rule-based demand forecasting for dynamic pricing of a maritime company”. Knowledge-Based Systems, 70, 88–96, 2014.
  • Peng HW, Wu SF, Wei CC, Lee SJ. “Time series forecasting with a neuro-fuzzy modeling scheme”. Applied Soft Computing, 32, 481–493, 2015.
  • Efendi R, Ismail Z, Deris MM. “A new linguistic out-sample approach of fuzzy time series for daily forecasting of Malaysian electricity load demand”. Applied Soft Computing, 28, 422–430,2015.
  • Azadeh A, Asadzadeh SM, Mirseraji GH, Saberi M. “An emotional learning-neuro-fuzzy inference approach for optimum training and forecasting of gas consumption estimation models with cognitive data”. Technological Forecasting and Social Change, 91, 47-63, 2015.
  • Osório GJ, Matias JCO, Catalão JPS. “Short-term wind power forecasting using adaptive neuro-fuzzy inference system combined with evolutionary particle swarm optimization, wavelet transform and mutual information”. Renewable Energy, 75, 301-307, 2015.
  • Cheng SH, Chen SM, Jian WS. “Fuzzy time series forecasting based on fuzzy logical relationships and similarity measures”. Information Sciences, 327, 272-287, 2016.
  • Bisht K, Kumar S. “Fuzzy time series forecasting method based on hesitant fuzzy sets”. Expert Systems with Applications, 64, 557-568, 2016.
  • Hassan S, Khosravi A, Jaafar J, Khanesar MA. “A systematic design of interval type-2 fuzzy logic system using extreme learning machine for electricity load demand forecasting”. International Journal of Electrical Power Energy Systems, 82, 1–10, 2016.
  • Ye F, Zhang L, Zhang D, Fujita H, Gong Z. “A novel forecasting method based on multi-order fuzzy time series and technical analysis”. Information Sciences, 367–368,41–57, 2016.
  • Lou CW, Dong MC. “A novel random fuzzy neural networks for tackling uncertainties of electric load forecasting”. International Journal of Electrical Power Energy Systems, 73, 34-44, 2015.
  • Bağırkan Ş. İstatiksel Analiz. İstanbul, Tükiye, Önsöz Basım ve Yayıncılık, 1982.
  • Tek ÖB. Pazarlama Ilkeleri Global Yönetimsel Yaklaşım Türkiye Uygulamaları. İstanbul, Türkiye, Beta Yayın, 1999.
  • Tanyaş M, Baskak M. Üretim Planlama ve Kontrol. İstanbul, Türkiye, İrfan Yayımcılık, 2006.
  • Lancaster G, Massingham L. Essentials of Marketing: Text and Cases. 2nd ed., McGraw-Hill Companies, 1993.
  • Kosko B. Fuzzy Thinking: The New Science of Fuzzy Logic. Reprint edition. New York, USA, Hyperion, 1994.
  • Zimmermann HJ. Fuzzy Set Theory and its Applications. Dordrecht, Netherlands, Springer, 1991.
  • Ayçın E. Kural Tabanlı Bulanık Modelleme ve Fiyat Tahminleme Sürecinde Bir Uygulama, Yüksek Lisans Tezi, Dokuz Eylül Üniversitesi, İzmir, Türkiye, 2011.
  • Sivanandam SN, Sumathi S, Deepa SN. Introduction to Fuzzy Logic using MATLAB. Heidelberg, Berlin, Springer 2007.
  • Lewis CD. Industrial and Business Forecasting Methods. Londra, Butterworths Publishing, 1982.
  • Witt SF, Witt CA. Modeling and Forecasting Demand in Tourism. Londra, Academic Press, 1992.

Fuzzy rule based demand forecasting and an application on fast moving consumer industry

Yıl 2018, Cilt: 24 Sayı: 1, 83 - 93, 27.02.2018

Öz

Demand
forecasting studies are one of the strategic issues which are considered as significant
for academicians and decision makers. Constantly changing political, cultural,
legal and economic developments have pushed the companies to predict under
uncertainty. It is very difficult to model some problems with traditional
methods in complex, multi-dimensional and highly uncertain environment. Fuzzy
approaches provide an easier modelling owing to their flexible nature. In this
study, a demand forecasting study in a FMCG (fast-moving consumer goods)
company has been applied using a rule based fuzzy logic approach which utilizes
fuzzy set theory, fuzzy if-else rules and fuzzy inference concepts. The
obtained results have been compared with real demands and low MAPE (mean
absolute percentage error) values have been calculated. Also the obtained
results have been compared with time series approach and the superiorities of
the methods are discussed.

Kaynakça

  • Uçal-Sarı İ. Yatırım Analizinde Bulanık Model Önerileri. Doktora Tezi, İstanbul Teknik Üniversitesi, İstanbul, Türkiye, 2012.
  • Zadeh LA. “Fuzzy sets”. Information and Control, 8(3), 338-353, 1965.
  • Abraham A, Nath B. “A neuro-fuzzy approach for modelling electricity demand in Victoria”. Applied Soft Computing, 1(2), 127–138, 2001.
  • Wang CH. “Predicting tourism demand using fuzzy time series and hybrid grey theory”. Tourism Management, 25(3), 367–374, 2004.
  • Lau HCW, Cheng ENM, Lee CKM, Ho GTS. “A fuzzy logic approach to forecast energy consumption change in a manufacturing system”. Expert Systems with Applications, 34(3), 1813–1824, 2008.
  • Efendigil T, Önüt S, Kahraman C. “A decision support system for demand forecasting with artificial neural networks and neuro-fuzzy models: A comparative analysis”. Expert Systems with Applications, 36(3), 6697–6707, 2009.
  • Chang PC, Fan CY, Lin JJ, “Monthly electricity demand forecasting based on a weighted evolving fuzzy neural network approach”. International Journal of Electrical Power & Energy Systems, 33 (1), 17–27, 2011.
  • Karahan M. İstatistiksel Tahmin Yöntemleri: Yapay Sinir Ağları Metodu ile Talep Tahmini Uygulaması. Doktora Tezi, Selçuk Üniversitesi, Konya, Türkiye.2011.
  • Azadeh A, Ziaei B, Moghaddam M. “A hybrid fuzzy regression-fuzzy cognitive map algorithm for forecasting and optimization of housing market fluctuations”. Expert Systems with Applications, 39 (1), 298–315, 2012.
  • Zahedi G, Azizi S, Bahadori A, Elkamel A, Wan Alwi SR. “Electricity demand estimation using an adaptive neuro-fuzzy network: A case study from the Ontario province – Canada”. Energy, 49, 323–328, 2013.
  • Coşgun Ö, Ekinci Y, Yanık S. “Fuzzy rule-based demand forecasting for dynamic pricing of a maritime company”. Knowledge-Based Systems, 70, 88–96, 2014.
  • Peng HW, Wu SF, Wei CC, Lee SJ. “Time series forecasting with a neuro-fuzzy modeling scheme”. Applied Soft Computing, 32, 481–493, 2015.
  • Efendi R, Ismail Z, Deris MM. “A new linguistic out-sample approach of fuzzy time series for daily forecasting of Malaysian electricity load demand”. Applied Soft Computing, 28, 422–430,2015.
  • Azadeh A, Asadzadeh SM, Mirseraji GH, Saberi M. “An emotional learning-neuro-fuzzy inference approach for optimum training and forecasting of gas consumption estimation models with cognitive data”. Technological Forecasting and Social Change, 91, 47-63, 2015.
  • Osório GJ, Matias JCO, Catalão JPS. “Short-term wind power forecasting using adaptive neuro-fuzzy inference system combined with evolutionary particle swarm optimization, wavelet transform and mutual information”. Renewable Energy, 75, 301-307, 2015.
  • Cheng SH, Chen SM, Jian WS. “Fuzzy time series forecasting based on fuzzy logical relationships and similarity measures”. Information Sciences, 327, 272-287, 2016.
  • Bisht K, Kumar S. “Fuzzy time series forecasting method based on hesitant fuzzy sets”. Expert Systems with Applications, 64, 557-568, 2016.
  • Hassan S, Khosravi A, Jaafar J, Khanesar MA. “A systematic design of interval type-2 fuzzy logic system using extreme learning machine for electricity load demand forecasting”. International Journal of Electrical Power Energy Systems, 82, 1–10, 2016.
  • Ye F, Zhang L, Zhang D, Fujita H, Gong Z. “A novel forecasting method based on multi-order fuzzy time series and technical analysis”. Information Sciences, 367–368,41–57, 2016.
  • Lou CW, Dong MC. “A novel random fuzzy neural networks for tackling uncertainties of electric load forecasting”. International Journal of Electrical Power Energy Systems, 73, 34-44, 2015.
  • Bağırkan Ş. İstatiksel Analiz. İstanbul, Tükiye, Önsöz Basım ve Yayıncılık, 1982.
  • Tek ÖB. Pazarlama Ilkeleri Global Yönetimsel Yaklaşım Türkiye Uygulamaları. İstanbul, Türkiye, Beta Yayın, 1999.
  • Tanyaş M, Baskak M. Üretim Planlama ve Kontrol. İstanbul, Türkiye, İrfan Yayımcılık, 2006.
  • Lancaster G, Massingham L. Essentials of Marketing: Text and Cases. 2nd ed., McGraw-Hill Companies, 1993.
  • Kosko B. Fuzzy Thinking: The New Science of Fuzzy Logic. Reprint edition. New York, USA, Hyperion, 1994.
  • Zimmermann HJ. Fuzzy Set Theory and its Applications. Dordrecht, Netherlands, Springer, 1991.
  • Ayçın E. Kural Tabanlı Bulanık Modelleme ve Fiyat Tahminleme Sürecinde Bir Uygulama, Yüksek Lisans Tezi, Dokuz Eylül Üniversitesi, İzmir, Türkiye, 2011.
  • Sivanandam SN, Sumathi S, Deepa SN. Introduction to Fuzzy Logic using MATLAB. Heidelberg, Berlin, Springer 2007.
  • Lewis CD. Industrial and Business Forecasting Methods. Londra, Butterworths Publishing, 1982.
  • Witt SF, Witt CA. Modeling and Forecasting Demand in Tourism. Londra, Academic Press, 1992.
Toplam 30 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Mühendislik
Bölüm Makale
Yazarlar

Beyzanur Çayır Ervural Bu kişi benim 0000-0002-0861-052X

İrem Uçal Sarı 0000-0002-1627-612X

Berk Koçyiğit Bu kişi benim 0000-0001-8603-3601

Yayımlanma Tarihi 27 Şubat 2018
Yayımlandığı Sayı Yıl 2018 Cilt: 24 Sayı: 1

Kaynak Göster

APA Çayır Ervural, B., Uçal Sarı, İ., & Koçyiğit, B. (2018). Kural tabanlı bulanık yaklaşımla talep tahmini ve hızlı tüketim sektöründe bir uygulama. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 24(1), 83-93.
AMA Çayır Ervural B, Uçal Sarı İ, Koçyiğit B. Kural tabanlı bulanık yaklaşımla talep tahmini ve hızlı tüketim sektöründe bir uygulama. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi. Şubat 2018;24(1):83-93.
Chicago Çayır Ervural, Beyzanur, İrem Uçal Sarı, ve Berk Koçyiğit. “Kural Tabanlı bulanık yaklaşımla Talep Tahmini Ve hızlı tüketim sektöründe Bir Uygulama”. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi 24, sy. 1 (Şubat 2018): 83-93.
EndNote Çayır Ervural B, Uçal Sarı İ, Koçyiğit B (01 Şubat 2018) Kural tabanlı bulanık yaklaşımla talep tahmini ve hızlı tüketim sektöründe bir uygulama. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi 24 1 83–93.
IEEE B. Çayır Ervural, İ. Uçal Sarı, ve B. Koçyiğit, “Kural tabanlı bulanık yaklaşımla talep tahmini ve hızlı tüketim sektöründe bir uygulama”, Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, c. 24, sy. 1, ss. 83–93, 2018.
ISNAD Çayır Ervural, Beyzanur vd. “Kural Tabanlı bulanık yaklaşımla Talep Tahmini Ve hızlı tüketim sektöründe Bir Uygulama”. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi 24/1 (Şubat 2018), 83-93.
JAMA Çayır Ervural B, Uçal Sarı İ, Koçyiğit B. Kural tabanlı bulanık yaklaşımla talep tahmini ve hızlı tüketim sektöründe bir uygulama. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi. 2018;24:83–93.
MLA Çayır Ervural, Beyzanur vd. “Kural Tabanlı bulanık yaklaşımla Talep Tahmini Ve hızlı tüketim sektöründe Bir Uygulama”. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, c. 24, sy. 1, 2018, ss. 83-93.
Vancouver Çayır Ervural B, Uçal Sarı İ, Koçyiğit B. Kural tabanlı bulanık yaklaşımla talep tahmini ve hızlı tüketim sektöründe bir uygulama. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi. 2018;24(1):83-9.





Creative Commons Lisansı
Bu dergi Creative Commons Al 4.0 Uluslararası Lisansı ile lisanslanmıştır.