Yapay Sinir Ağları ve Destek Vektör Regresyonu ile Talep Tahmini: Gıda İşletmesinde Bir Uygulama

Abstract

Son yıllarda, değişen ve küreselleşen koşullar insan ihtiyaçlarını değiştirerek hızlı değişikliklere ve talep belirsizliğine neden olmuştur. Bu hızlı değişim ve belirsiz koşullar altında işletmelerin etkin planlama yapmalarının yolu, doğru ve güvenilir tahminler yapmaktan geçmektedir. Günümüzde teknolojik gelişmelerle birlikte talep tahmininde zaman serileri analizi gibi klasik yöntemlerin yerini yapay zekâ tabanlı tahmin algoritmaları almıştır. Bu yöntemler özellikle belirsizliğin ve değişkenliğin çok fazla olduğu durumlarda klasik tahmin yöntemlerinden çok daha başarılı sonuçlar vermektedir. Bu çalışmada bir gıda işletmesinde değişkenliğin ve belirsizliğin fazla olduğu ürünler için Yapay Sinir Ağları (YSA) ve Destek Vektör Regresyonu (DVR) yöntemleri ile talep tahmini yapılmıştır. Yöntemler uygulanmadan önce parametre optimizasyonu amacıyla deney tasarımı yapılmış ve en iyi parametre değerleri bulunarak tahmin doğruluğu arttırılmıştır. Sayısal sonuçlar, incelenen ürünler için YSA’nın DVR’ye kıyasla daha iyi tahminler yaptığını göstermiştir.

Keywords

• talep tahmini
• belirsizlik
• yapay sinir ağları
• destek vektör regresyonu

Demand Forecasting with Artificial Neural Networks and Support Vector Regression: An Application in a Food Company

Abstract

In recent years, the changing and globalizing conditions caused the rapid changes and demand uncertainty by changing human needs. Under these rapid changes and uncertain conditions, the way for companies to make effective planning is to make accurate and reliable forecasting. As the technological developments increases artificial intelligence-based forecasting algorithms are widely used for demand forecasting instead of the classical methods such as time series analysis. These methods yield much more successful results than classical forecasting methods, especially in cases where the uncertainty and variability are high. In this study, Artificial Neural Networks (ANN) and Support Vector Regression (SVR) are employed to forecast the demands of the products with high variability and uncertainty in a food company. Before the methods were applied, an experimental design was conducted to find the best parameter values, and in this way, the accuracy of forecasts was increased. Numerical results showed that ANN makes better forecasts than SVR for the examined products.

Keywords

• Demand Forecasting
• Uncertainty
• Artificial Neural Networks
• Support Vector Regression

References

1. McCarthy, T.M., Davis, D.F., Golicic, S.L., Mentzer, J.T. 2006. The Evolution of Sales Forecasting Management: A 20-Year Longitudinal Study of Forecasting Practices, Journal of Forecasting, Cilt. 25, Sayı. 5, s. 303-324. DOI: 10.1002/for.989
2. Villegasa, M.A., Pedregal, D.J., Trapero, J.R. 2018. A Support Vector Machine For Model Selection in Demand Forecasting Applications, Computers & Industrial Engineering, Cilt. 121, s. 1-7. DOI: 10.1016/j.cie.2018.04.042
3. Petropoulos, F., Hyndman, R.J., Bergmeir, C. 2018. Exploring the sources of uncertainty: Why does bagging for time series forecasting work?, European Journal of Operational Research, Cilt. 268, Sayı 2, s. 545-554. DOI: 10.1016/j.ejor.2018.01.045
4. Guo, H., Wang, X., Gao, Z. 2014. Uncertain linear regression model and its application, Journal of Intelligent Manufacturing, Cilt. 28, Sayı. 3, s. 559-564. DOI: 10.1007/s10845-014-1022-4
5. Murphy, M.D., O’Mahony, M.J., Shalloo, L., French, P., Upton, J. 2014. Comparison of modeling techniques for milk-production forecasting, Journal of Dairy Science, Cilt. 97, Sayı. 6, s. 3352-3363. DOI: 10.3168/jds.2013-7451
6. Jaipuria, S., Mahapatra, S.S. 2014. An improved demand forecasting method to reduce bullwhip effect in supply chains, Expert Systems with Applications, Cilt. 41, Sayı. 5, s. 2395-2408. DOI: 10.1016/j.eswa.2013.09.038
7. Babu, C.N., Reddy, B.E. 2014. A moving-avarage filter based hybrid ARIMA-ANN model for forecasting time series data, Applied Soft Computing, Cilt. 27, Sayı. 10, s. 27-38. DOI: 10.1016/j.asoc.2014.05.028
8. Du, X.F., Leung, S.C. H., Zhang, J.L., Lai, K.K. 2013. Demand forecasting of perishable farm products using support vector machine, Int. J. Systems Science, Cilt. 44, Sayı. 3, s. 556-567. DOI: 10.1080/00207721.2011.617888

9. Kandananond, K. 2012. Consumer Product Demand Forecasting Based On Artificial Neural Network And Support Vector Machine. World Academy of Science, Engineering and Technology International Journal of Economics and Management Engineering, Cilt. 6, Sayı. 3, s. 313-316.
10. Sun, Z.L., Choi, T.M., Au, K.F., Yu, Y. 2008. Sales forecasting using extreme learning machine with applications in fashion retailing, Decision Support Systems, Cilt. 46, Sayı. 1, s. 411-419. DOI: 10.1016/j.dss.2008.07.009
11. Kılıç, F., Akkaya, M.R., Memili N., 2018. Yemekhane için Yapay Zekâ Teknikleri Kullanımı ile Günlük Talep Tahmini, Avrupa Bilim ve Teknoloji Dergisi, Cilt. 13, s. 65-71. DOI: 10.31590/ejosat.397549
12. Sönmez, O., Zengin, K. 2019. Yiyecek ve İçecek İşletmelerinde Talep Tahmini: Yapay Sinir Ağları ve Regresyon Yöntemleriyle Bir Karşılaştırma. Avrupa Bilim ve Teknoloji Dergisi, Özel Sayı, s. 302-308. DOI: 10.31590/ejosat.638104
13. Olgun, S. 2009. Tedarik zinciri yönetiminde talep tahmini yöntemleri ve yapay zeka tabanlı bir talep tahmini modelinin uygulanması. İstanbul Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 106s. İstanbul.
14. McCulloch W.S., Pitts W. 1943. A logical calculus of ideas immanent in nervous activity, Bulletin of Mathematical Biophysics, Cilt. 5, Sayı. 4, s. 115-133. DOI: 10.1007/bf02478259
15. Demir L., Akkaş S. 2018. A comparison of sales forecasting methods for a feed company: A case study, Pamukkale University Journal of Engineering Sciences, Cilt. 24, Sayı. 4, s. 705-712. DOI: 10.5505/pajes.2018.58235
16. Biçer, A., Yönetken, A. 2018. Program Development For Energy Demand Forecasting And Its Application For A Site, International Journal of Scientific & Engineering Research, Cilt. 9, Sayı. 8, s. 18-27. ISSN 2229-5518
17. Öztemel, E. 2012. Yapay Sinir Ağları. Papatya Yayıncılık, İstanbul, 232s.
18. Vapnik, V. 1995. The Nature of Statistical Learning Theory. Springer, New York, 314s.
19. Drucker, H., Burges, C.J. C., Kaufman, L., Smola, A., Vapnik, V. 1997. Support vector regression machines, Advances in Neural Informationon Processing Systems, Cilt. 9, s. 155-161.