ARIMA ve LSTM Yöntemleri ile Mühimmat Tüketimi Tahminlemesi

Year 2025, Issue: ERKEN GÖRÜNÜM, 1 - 1

Gökçe Nur Taşağıl Arslan , İlayda Korkmaz , Kemal Gürol Kurtay

Abstract

Günümüzde silah ve mühimmatın türleri ve gelişmişlik düzeyi değişmiş olsa da tarihin her döneminde düşmanın savaşma azim ve iradesini ortadan kaldırmak için aktif olarak kullanılmaya devam edilmektedir. Mühimmatın teknolojik gelişmişliği ve imha gücü artmış olmasına rağmen günümüzde yaşanan uzun soluklu savaşlarda zaiyat sayısını azaltmak ve düşmanı imha etmek amacıyla çok sayıda mühimmat kullanıldığı ve yıllar itibarıyla mühimmat pazarının büyüdüğü bilinmektedir. Mühimmat, harekât alanında muharebelerin sonucunu etkileyen önemli bir faktördür. Ülkelerin tedarik edeceği ve stoklayacakları mühimmatı planlamaları düşman saldırılarının boyutunun öngörülememesinden dolayı çok zor olsa da, hayati önem arz etmektedir. Ülkeler mühimmat talep tahminleri sayesinde savunma bütçelerini daha rasyonel planlayabilir, kaynakların optimal bir şekilde kullanılmasını sağlayabilir ve savunma, güvenlik politikalarını belirleyebilirler. Doğru mühimmat talep tahminleri sayesinde, askeri operasyonlarda ihtiyaç duyulacak mühimmatın eksik kalması önlenir. Bu çalışmada geçmişe ait jenerik bir senaryoya dayalı mühimmat kullanım verilerinden, gelecekte oluşacak benzer bir çatışma ortamı için mühimmat ihtiyacının bilimsel metotlarla tahminine yönelik olarak bir metodoloji sunulmuştur. Mühimmat tüketimi tahmininde kullanılmayan farklı iki tahmin metodunun mühimmat tahmini açısından kullanımı ile literatürdeki boşluğun doldurulması amaçlanmıştır. Bu amaçla zaman serisi analizi için ARIMA ve derin öğrenme için LSTM yöntemleri mühimmat tahmini için ele alınmış ve anlamlı sonuçlar elde edilmiştir. Bu çalışmanın temel motivasyonu, mühimmat talebine yönelik öngörüler için derin öğrenme yaklaşımı kullanılarak elde edilen tahmin sonuçlarını geleneksel zaman serisi yöntemleriyle karşılaştırmaktır. Sonuçlara göre, ARIMA ve LSTM yöntemlerinin RMSE değerleri sırasıyla, 9.000 ve 8.895, MAE değerleri sırasıyla 7.010 ve 6.751, MAPE değerleri sırasıyla 0.1091 ve 0.1071, R2 değerleri sırasıyla 0.916 ve 0.919 olarak elde edilmiştir. Sonuç olarak, bu çalışma, mühimmat talep tahmini için analitik yöntemlerin kullanılabileceğini ve bu yöntemlerin muharebe sahasında önemli bir lojistik avantaj sağlayabileceğini göstermektedir.

Keywords

Mühimmat , Savunma Sanayi , Arima , Lstm , Talep Tahmini

Ethical Statement

Yazarlar arasında çıkar çatışması yoktur. Çalışma etik kurallara uygun hazırlanmıştır.

References

• 1] H. Ayhan DAĞISTANLI ve C. Gencer, “Hibrit Tehdit Perspektifinden Orman Yangınları ve Türkiye’nin Mücadele Politikası”, SAVSAD Savunma ve Savaş Araştırmaları Dergisi, sy 1, ss. 35-70, Ara. 2023, doi: 10.54078/SAVSAD.1377722.
• [2] Sun Tzu, Savaş Sanatı. İstanbul: Anahtar Kitaplar, 2007.
• [3] Department of the Army, FM3-0 Operations. Headquarters, Department of the Army, 2017. Erişim: 21 Ağustos 2025. [Çevrimiçi]. Erişim adresi: https://cyberwar.nl/d/20171005_US-Army-Field-Manual-FM-3-0-Operations.pdf
• [4] H. A. Dağıstanlı, A. Altundaş, K. G. Kurtay, ve Y. Gökmen, “The Optimization of Long-Term Dynamic Defense Industry Project Portfolio Management with a Mixed and Holistic Project Prioritization Approach”, Dyn Games Appl, Eki. 2024, doi: 10.1007/s13235-024-00602-6.
• [5] K. G. KURTAY, A. Altundaş, ve S. TAŞ, “Model Proposal for Ammunition Demand Forecasting and Ammunition Distribution Network Design: Military Unit Application”, Journal of Intelligent Decision Making and Information Science, c. 2, ss. 197-217, Şub. 2025, doi: 10.59543/jidmis.v2i.12753.
• [6] K. Gencer ve F. Başçiftçi, “Time series forecast modeling of vulnerabilities in the android operating system using ARIMA and deep learning methods”, Sustainable Computing: Informatics and Systems, c. 30, s. 100515, Haz. 2021, doi: 10.1016/j.suscom.2021.100515.
• [7] M. Elsaraiti ve A. Merabet, “A Comparative Analysis of the ARIMA and LSTM Predictive Models and Their Effectiveness for Predicting Wind Speed”, Energies (Basel), c. 14, sy 20, s. 6782, Eki. 2021, doi: 10.3390/en14206782.
• [8] I. Mejri, A. Bouzid, S. Bacha, ve S. B. Layeb, “Forecasting Demand Using ARIMA Model and LSTM Neural Network: a Case of Detergent Manufacturing Industry”, içinde 2021 International Conference on Innovation and Intelligence for Informatics, Computing, and Technologies (3ICT), IEEE, Eyl. 2021, ss. 346-353. doi: 10.1109/3ICT53449.2021.9581762.
• [9] Y. Hua, “Bitcoin price prediction using ARIMA and LSTM”, E3S Web of Conferences, c. 218, s. 01050, Ara. 2020, doi: 10.1051/e3sconf/202021801050. [10] S. Siami-Namini, N. Tavakoli, ve A. Siami Namin, “A Comparison of ARIMA and LSTM in Forecasting Time Series”, içinde 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA), IEEE, Ara. 2018, ss. 1394-1401. doi: 10.1109/ICMLA.2018.00227.
• [11] S. Mun, J. Hwang, L. Bian, T. C. Falls, ve W. Glenn Bond, “Ensemble learning for Fault Condition Prediction and Health Status Monitoring in Military Ground Vehicles”, IISE Annual Conference and Expo 2023, s. 1479, 2023, doi: 10.21872/2023IISE_1479.
• [12] I. Malone, “Recurrent neural networks for conflict forecasting”, International Interactions, c. 48, sy 4, ss. 614-632, Tem. 2022, doi: 10.1080/03050629.2022.2016736.
• [13] R. Ueno ve D. Calitoiu, “Forecasting Attrition from the Canadian Armed Forces using Multivariate LSTM”, Proceedings - 19th IEEE International Conference on Machine Learning and Applications, ICMLA 2020, ss. 753-758, Ara. 2020, doi: 10.1109/ICMLA51294.2020.00123.
• [14] K. Vavliakis, A. Siailis, ve A. Symeonidis, “Optimizing Sales Forecasting in e-Commerce with ARIMA and LSTM Models”, içinde Proceedings of the 17th International Conference on Web Information Systems and Technologies, SCITEPRESS - Science and Technology Publications, 2021, ss. 299-306. doi: 10.5220/0010659500003058.
• [15] D. Sharma ve K. Phulli, “Forecasting and Analyzing the Military Expenditure of India Using Box-Jenkins ARIMA Model”, Kas. 2020, Erişim: 21 Ağustos 2025. [Çevrimiçi]. Erişim adresi: https://arxiv.org/pdf/2011.06060 [16] K.-C. Kuo, C.-Y. Chang, ve W.-C. Lin, “To predict military spending in China based on ARIMA and artificial neural networks models”.
• [17] A. Borucka, “Application of ARIMA Models for the Analysis of Utilization Process of Military Technical Objects”, Logistics and Transport, c. 37, sy 1, ss. 13-22, 2018.
• [18] J. G. Lee ve M. J. Park, “Evaluation of technological competence and operations efficiency in the defense industry: The strategic planning of South Korea”, Eval Program Plann, c. 79, Nis. 2020, doi: 10.1016/J.EVALPROGPLAN.2019.101775.
• [19] A. Altundaş, “An Integrated Approach for Ammunition Depot Location Selection and Ammunition Distribution Network Design Based on P-Median and Vehicle Routing Problems”, Computer and Decision Making: An International Journal, c. 1, ss. 170-184, Eyl. 2024, doi: 10.59543/comdem.v1i.10539.
• [20] H. A. Dağıstanlı ve K. G. Kurtay, “Facility Location Selection for Ammunition Depots based on GIS and Pythagorean Fuzzy WASPAS”, Journal of Operations Intelligence, c. 2, sy 1, ss. 36-49, Oca. 2024, doi: 10.31181/JOPI2120247.
• [21] K. G. Kurtay ve S. Erol, “Mühimmat geri dönüşüm problemi için depo yer seçimi ve dağıtım ağı tasarımı”, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, c. 40, sy 1, ss. 29-42, Ağu. 2024, doi: 10.17341/GAZIMMFD.1345897.
• [22] Department of the Army, ADP3-0 Operations. Headquarters, Department of the Army, 2019. Erişim: 21 Ağustos 2025. [Çevrimiçi]. Erişim adresi: https://armypubs.army.mil/
• [23] Department of the Army, FM3-0 Operations. Headquarters, Department of the Army, 2022. Erişim: 21 Ağustos 2025. [Çevrimiçi]. Erişim adresi: https://irp.fas.org/doddir/army/fm3-0.pdf
• [24] P. Folly ve P. Mäder, “Propellant Chemistry”, Chimia (Aarau), c. 58, sy 6, s. 374, Haz. 2004, doi: 10.2533/000942904777677713.
• [25] J. Bevan ve S. Pezard, TARGETING AMMUNITION A PRIMER A Small Arms Survey publication in cooperation with partners. Small Arms Survey, 2006. Erişim: 21 Ağustos 2025. [Çevrimiçi]. Erişim adresi: www.grip.org
• [26] W. Hardy. McNeill, “The pursuit of power : technology, armed force, and society since A.D. 1000”, 2008.
• [27] D. Stahel, “Operation Barbarossa and Germany’s Defeat in the East”, Operation Barbarossa and Germany’s Defeat in the East, Eyl. 2009, doi: 10.1017/CBO9780511732379.
• [28] H. A. Dağıstanlı, “Induced Generalized Intuitionistic Fuzzy OWA Operator on GRA Method for Evaluation of Self-Propelled Artillery System: Ammunition Based Computer Assisted Military Experiment”, Computer and Decision Making: An International Journal, c. 1, ss. 23-37, Tem. 2024, doi: 10.59543/comdem.v1i.10081.
• [29] H. A. Dağıstanlı, “Weapon System Selection for Capability-Based Defense Planning using Lanchester Models integrated with Fuzzy MCDM in Computer Assisted Military Experiment”, Knowledge and Decision Systems with Applications, c. 1, ss. 11-23, Şub. 2025, doi: 10.59543/kadsa.v1i.13601.
• [30] N. Świętochowski, “Field Artillery in the defensive war of Ukraine 2022-2023Part I. Combat potential, tasks and tactics”, Scientific Journal of the Military University of Land Forces, c. 210, sy 4, ss. 341-358, Ara. 2023, doi: 10.5604/01.3001.0054.1631.
• [31] M. Zabrodskyi, J. Watling, ve N. Reynolds, “Preliminary Lessons in Conventional Warfighting from Russia’s Invasion of Ukraine: February-July 2022 Special Report”, London: Royal United Services Institute for Defence and Security Studies, 2022.
• [32] “Luftabwehrsystem Meads - WELT”. Erişim: 21 Ağustos 2025. [Çevrimiçi]. Erişim adresi: https://www.welt.de/themen/luftabwehrsystem-meads/ [33] “Ammunition Market Size and Share Forecast - 2032: Acumen Research and Consulting”. Erişim: 21 Ağustos 2025. [Çevrimiçi]. Erişim adresi: https://www.acumenresearchandconsulting.com/ammunition-market
• [34] “Global Ammunition Market Size, Share, and Analysis Report 2029”. Erişim: 21 Ağustos 2025. [Çevrimiçi]. Erişim adresi: https://www.databridgemarketresearch.com/reports/global-ammunition-market?srsltid=AfmBOopoCHEsJQiJYXGMxOif9gsdeOSXVVgC5A2sX-KlfZrFLXvdCH5i
• [35] Chas. W. Freeman, “What We Do, Why It Matters, What Next?”, Middle East Policy, c. 12, sy 2, ss. iii-iv, Haz. 2005, doi: 10.1111/j.1061-1924.2005.00208.x.
• [36] H. Aries, B. Giegerich, ve T. Lawrenson, “The Guns of Europe: Defence-industrial Challenges in a Time of War”, Survival (Lond), c. 65, sy 3, ss. 7-24, May. 2023, doi: 10.1080/00396338.2023.2218716.
• [37] G. E. P. Box, G. M. Jenkins, G. C. Reinsel, ve G. M. Ljung, “Journal Of Time Series Analysis Book Review Tıme Serıes Analysis: Forecasting And Control”, J. Time. Ser. Anal, c. 37, ss. 709-711, 2016, Erişim: 21 Ağustos 2025. [Çevrimiçi]. Erişim adresi: https://www.wiley.com/en-us/Time+Series+Analysis%3A+Forecasting+and+Control%2C+5th+Edition-p-9781118675021
• [38] G. Shmueli ve K. C. Lichtendahl, “Practical Time Series Forecasting with R”, s. 232, 2018.
• [39] J. E. . Hanke ve D. W. . Wichern, “Business forecasting”, s. 551, 2009.
• [40] P. R. Winters, “Forecasting Sales by Exponentially Weighted Moving Averages”, Manage Sci, c. 6, sy 3, ss. 324-342, 1960, [Çevrimiçi]. Erişim adresi: http://www.jstor.org/stable/2627346
• [41] Dr. Majed Saleh Al-Hafid ve G. Hussein Al-maamary, “Short term electrical load forecasting using holt-winters method”, Al-Rafidain Engineering Journal (AREJ), c. 20, sy 6, ss. 15-22, Ara. 2012, doi: 10.33899/RENGJ.2012.63377.
• [42] G. E. P. Box ve G. M. Jenkins, “Time Series Analysis Forecasting and Control. Holden-Day, San Francisco. - References - Scientific Research Publishing”. Erişim: 21 Ağustos 2025. [Çevrimiçi]. Erişim adresi: https://www.scirp.org/reference/referencespapers?referenceid=2087370
• [43] T. H. Naylor, T. G. Seaks, ve D. W. Wichern, “Box-Jenkins Methods: An Alternative to Econometric Models”, Int Stat Rev, c. 40, sy 2, s. 123, Ağu. 1972, doi: 10.2307/1402755.
• [44] G. Ciaburro ve B. Venkateswaran, “Neural Networks with R Smart models using CNN, RNN, deep learning, and artificial intelligence principles”, 2017.
• [45] J. Park ve S. Chang, “A particulate matter concentration prediction model based on long short-term memory and an artificial neural network”, Int J Environ Res Public Health, c. 18, sy 13, 2021, doi: 10.3390/ijerph18136801. [46] Z. Chang, Y. Zhang, ve W. Chen, “Electricity price prediction based on hybrid model of adam optimized LSTM neural network and wavelet transform”, Energy, c. 187, s. 115804, Kas. 2019, doi: 10.1016/j.energy.2019.07.134.
• [47] C. Zeng, C. Ma, K. Wang, ve Z. Cui, “Predicting vacant parking space availability: A DWT-Bi-LSTM model”, Physica A: Statistical Mechanics and its Applications, c. 599, s. 127498, Ağu. 2022, doi: 10.1016/j.physa.2022.127498.
• [48] H. Luo, M. Huang, ve Z. Zhou, “A dual-tree complex wavelet enhanced convolutional LSTM neural network for structural health monitoring of automotive suspension”, Measurement, c. 137, ss. 14-27, Nis. 2019, doi: 10.1016/j.measurement.2019.01.038. [49] G. N. Taşağıl Arslan ve S. Kılıç Depren, “Optimizing air quality predictions: A discrete wavelet transform and long short-term memory approach with wavelet-type selection for hourly PM10 concentrations”, J Chemom, c. 38, sy 4, 2024, doi: 10.1002/cem.3539.
• [50] N. Parvini, M. Abdollahi, S. Seifollahi, ve D. Ahmadian, “Forecasting Bitcoin returns with long short-term memory networks and wavelet decomposition: A comparison of several market determinants”, Appl Soft Comput, c. 121, s. 108707, May. 2022, doi: 10.1016/j.asoc.2022.108707.
• [51] L. Zhu, Z. J. B. M. Husny, N. A. Samsudin, H. Xu, ve C. Han, “Deep learning method for minimizing water pollution and air pollution in urban environment”, Urban Clim, c. 49, s. 101486, May. 2023, doi: 10.1016/j.uclim.2023.101486.
• [52] R. Mushtaq, “Augmented Dickey Fuller Test”, SSRN Electronic Journal, 2011, doi: 10.2139/ssrn.1911068.