Uyarlamalı Sinirsel Bulanık Çıkarım Sisteminin (ANFIS) Talep Tahmini İçin Kullanımı ve Bir Uygulama

Öz

Rekabet unsurunun günümüzde hızla artması, organizasyonların karar problemlerinde rasyonel davranmaları zorunluluğunu da beraberinde getirmiştir. Organizasyonların ve kurumların belirsizlik ve risk ortamında güvenle yol alabilmeleri, karar birimlerinde teknolojiyi ve bilimsel yöntemleri etkin kullanabilmeleri ile mümkündür. Talep tahmini, kurumlardaki kritik karar problemlerinin en başında gelmektedir. Bilimsel yöntemlerle desteklenmiş talep tahmini mekanizmasına sahip bir işletme, tüm fonksiyonlarının verimliliğini ve etkinliğini arttırabilir. Bulanık mantık ve yapay sinir ağları gibi yeni nesil yöntemler işletmeler tarafından son yıllarda karar verme yöntemi olarak sıklıkla kullanılan yöntemler arasındadır. Bu çalışmada işletmeler için kritik bir konu olan talep tahmin problemine ANFIS ile çözüm aranmıştır. Çalışmada önerilen model için öncelikle talebi etkileyen faktörler belirlenmiş ve bu faktörlere ait verilerle modelin veri tabanı oluşturulmuştur. ANFIS yönteminin model talep tahmini için kullanılabileceği gösterilmiştir.

Anahtar Kelimeler

• Bulanık Mantık,Talep Tahmini,ANFIS

Using Adaptive Neural-Fuzzy Inference Systems (ANFIS) for Demand Forecasting and an Application

Öz

Due to the rapid increase in global competition among organizations and companies,rational approaches in decision making have become indispensable for organizations in today’s world. Establishing a safe and robust path through uncertainties and risks depends on the decision units’ ability of using scientific methods as well as technology. Demand forecasting is known to be one of the most critical  problems in organizations. A company which supports its demand forecasting mechanism with scientific methodologies could increase its productivity and efficiency in all other functions. New methods, such as fuzzy logic and artificial neural networks are frequently being used as a decision-making mechanism in organizations and companies recently. In this study, it is aimed to solve a critical demand forecasting problem with ANFIS. In the first phase of the study, the factors which impact demand forecasting are determined, and then a database of the model is established using these factors. It has been shown that ANFIS could be used for demand forecasting.

Anahtar Kelimeler

• Fuzzy Logic,Demand Forecasting,ANFIS

Kaynakça

1. ABURTO, L., WEBER, R. (2007), “Improved Supply Chain Management Based on Hybrid Demand Forecasts”, Applied Soft Computing, 7, 136–144.
2. ALPAYDIN, E. (2011), Yapay Öğrenme, Boğaziçi Üniversitesi Yayınevi, İstanbul.
3. ALTUNÖZ, U. (2013), “Bankaların Finansal Başarısızlıklarının Yapay Sinir Ağları Modeli Çerçevesinde Tahmin Edilebilirliği”, Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 28(2), 189-217.
4. AMSTRONG, J. S., GREEN, K. C. (2011), “Demand Forecasting: Evidence-Based Methods”, Oxford Handbook in Managerial Economics, (Ed. C. R. Thomas, W. F. Shughart), Oxford University Press.
5. ANSUJ, A. P., CAMARGO, M. E., RADHARAMANAN, R., PETRY, D.G., (1996), “Sales Forecasting Using Time Series And Neural Networks”, Computers And Industrial Engineering, 31(1), 421-424.
6. AZADEH, A., SABERI, M., NADIMI, V., IMAN M., BEHROOZNIA, A. (2010), “An Integrated Intelligent Neuro-Fuzzy Algorithm For Long-Term Electricity Consumption: Cases Of Selected EU Countries”, Acta Polytechnica Hungarica,7(4), 71-90.
7. BABUSKA, R. (2001), Fuzzy And Neural Control (Lecture Notes), Delft: Delft University of Technology, ftp://ftp.unicauca.edu.co/Facultades/FIET/
8. DEIC/Materias/Control%20Inteligente/Parte%20I/clase%2003%20int/clase1_Babuska.pdf, (20.10.2012).

9. BALA, P. K. (2012), “Improving Inventory Performance with Clustering Based Demand Forecasts”, Journal of Modelling in Management,7(1).
10. BAYKAL, N., BEYAN, T. (2004a), Bulanık Mantık İlke Ve Temelleri, Bıçaklar Kitabevi, Ankara.
11. BAYKAL, N., BEYAN, T. (2004b), Bulanık Mantık, Uzman Sistem Denetleyiciler,Bıçaklar Kitabevi, Ankara.
12. BOX, G. E., JENKINS, G. M., REINSEL, G. C. (2008), Time Series Analysis Forecasting Control Fourth Edition,John Willey&Sons Inc., New Jersey.
13. CASE, K. E., FAIR R. C. (1999), Principles of Mikroeconomica, Prenhall Inc., New Jersey.
14. CHIN, K., ARTHUR, R. (1996), “Neural Network vs. Conventional Methods of Forecasting”, Journal of Bussines Forecasting, 14(4), 17-22.
15. DEMİR, H., GÜMÜŞOĞLU, Ş. (2009), Üretim İşlemler Yönetimi, Beta Basım Yayım Dağıtım A.Ş., İstanbul.
16. DENTON, J. W. (1995), “How Good Are Neural Networks For Casual Forecasting? ”, The Journal of Business Forecasting Methods & Systems, 14(17).
17. EFENDİGİL, T., ÖNÜT, S., KAHRAMAN, C. (2009), “A Decision Support System for Demand Forecasting with Artificial Neural Network and Neuro-Fuzyy Models: A Comparative Analysis”, Expert Systems with Applications, 36(3), 6697- 6707.
18. EFENDİGİL, T. (2008), Müşteri Odaklı Sistemler İçin YSA ve Bulanık Çıkarım Tabanlı Karar Destek Sistemi Yaklaşımı, Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü, Doktora Tezi, İstanbul.
19. ELMAS, Ç. (2011), Yapay Zeka Uygulamaları (Yapay Sinir Ağları-Bulanık Mantık-Genetik Algoritma, (2. Baskı), Seçkin Yayıncılık, Ankara.
20. GALINDO, J., URRUTIA, A., PIATTINI, M. (2005), Fuzzy Database: Modelling Design and Implemantation, Idea Group Publishing, Londra.
21. HEIZER, J., RENDER, B. (2001), Operations Management, Prentice Hall, New Jersey.
22. HOSHMAND, A. R. (2010), Business Forecasting, Second Edition: A Practical Approach, Routledge, Newyork.
23. JAIN, C. L., MALEHORN, J. (2005), Practical Guide To Business Forecasting, Graceway Publishing Company Inc., New York.
24. JANG, J.-S. R. (1993), “ANFIS: Adaptive-Network-Based Fuzzy Inference System”, Ieee Transactions on Systems, Man and Cybernetics, 23(3), 665-685.
25. KARAHAN, M., (2011), İstatistiksel Tahmin Yöntemleri: Yapay Sinir Ağları Metodu İle Ürün Talep Tahmini Uygulaması, Selçuk Üniversitesi Sosyal Bilimler Enstitüsü, Doktora Tezi, Konya.
26. KHASEI, M., BIJARI M., (2010), “An Artificial Neural Network (P,D,Q) Model For Timeseries Forecasting”, Expert Systems With Applications, 37(1), 479–489.
27. KONAR, A. (2000), Artificial Intelligence And Soft Computing-Behavioral and Cognitive Modeling, Crc Press Llc, Boca Raton, Florida.
28. KRAEMER K. L., LESLIE, K. J. (1988), “Computer-Based Systems For Cooperative Work And; Group Decision Making”, Acm Computer Surveys, 20(2), 115-146.
29. LACHTERMACHER, G., FULLER, J. D. (1995), “Backpropagation in Time-Series Forecasting”, Journal of Forecasting, 14, 381-393.
30. LEE, K. H. (2005), First Course On Fuzzy Theory and Applications, Springer, Berlin.
31. MAIER, H. R., DANDY, G. C. (1996), “Neural Network Models For Forecasting Univariate Time Series”, Neural Networks World, 6(5), 747-772.
32. MARAKAS, M. G. (2003), Decision Support Systems in The 21st Century, Prentice Hall, New Jersey.
33. MATHWORKS. (2002), Fuzzy Logic Toolbax for Use with Matlab, Mathworks Inc., Natick, Massachusetts.
34. MITCHELL, T. M. (1997), Machine Learning, Mcgraw-Hill Science.
35. ÖZDEMİR, A. (2010), Yönetim Biliminde İleri Araştırma Yöntemleri ve Uygulamalar, Beta Basım Yayım Dağıtım, İstanbul.
36. ÖZTEMEL, E. (2012), Yapay Sinir Ağları, Papatya Yayıncılık, İstanbul.
37. PASSINO, K. M., YURKOVICH, S. (1998), Fuzzy Control, Addison Wesley Longman, Inc., California.
38. SPSS. (2007), SPSS Trends 16.0, SPSS Inc., Chicago.
39. SRINIVASAN, D., LIEW, A. C., CHANG, C. S. (1994), “A Neural Network Short-Term Load Forecaster”, Electric Power Systems Research, 28, 227-234.
40. ŞEN, Z. (2004), Mühendislikte Bulanık Mantık (Fuzzy) İle Modelleme Prensipleri, Su Vakfı Yayınları, İstanbul.
41. TEKİN, M., (1996), Üretim Yönetimi, Arı Ofset Matbaacılık, Konya.
42. THOMASSEY, S., HAPPIETTE, M., CASTELAIN, J. M. (2003), “A Short And Mean-Term Automatic Forecasting System-Application to Textile Logistics”, European Journal of Operational Research, 161, 275-284.
43. TSENG, F.-M., CHENG, H. Y., HSIUNG, G. (2002), “Combining Neural NetworkModel With Seasonal Time Series Arıma Model”, Technological Forecasting and Social Change, 69, 71-87.
44. WANG F.-K., CHANG, K.-K., TZENG, C.-W. (2011), “Using Adaptive Network-Based Fuzzy İnference System To Forecast Automobile Sales”, Expert Systems with Applications, 38, 10587–10593.
45. WITTEN, I. H., FRANK, E., HALL, M. A. (2011), Data Mining: Practical Machine Learning Tools And Techniques, Elsevier Inc., Burlington, USA.
46. YÜCEL, A. (2010), Tedarikçi Seçimi Probleminde Bütünleşik Sinirsel Bulanık Mantık Yaklaşımı, İstanbul Üniversitesi Endüstri Mühendisliği Bölümü, Doktora Tezi, İstanbul.
47. YÜKSEL, H. (2008), Üretim/İşlemler Yönetimi, Nobel Yayın Dağıtım, Ankara.
48. ZADEH, L. A. (1988), Fuzzy Logic, University of California, Software Engineers,Berkeley.
49. ZADEH, L. A. (1965), “Fuzzy Sets", Information And Control, 8, 338-353.
50. ZHANG, G., PATUWO, B. E., HU, M. Y. (1998), Forecasting With Artificial Neural Networks: The State Of The Art”, International Journal of Forecasting, 14,35-62.