uujfe Uludağ Üniversitesi Mühendislik Fakültesi Dergisi 2148-4155 Bursa Uludağ University 10.17482/uumfd.1707981 Software Engineering (Other) Yazılım Mühendisliği (Diğer) BOR SEKTÖRÜNDE AUTOML VE AĞIRLIKLANDIRMA YÖNTEMİ İLE TALEP TAHMİNİ UYGULAMASI Demand Forecasting Application Using Automl and Weighting Method https://orcid.org/0009-0004-9727-7109 Çakıroğlu Arzu DUMLUPINAR ÜNİVERSİTESİ https://orcid.org/0000-0001-9884-2860 Özen Pınar DUMLUPINAR ÜNİVERSİTESİ 04 10 2026 31 1 117 132 05 28 2025 01 18 2026 Copyright © 2002, Uludağ University Journal of The Faculty of Engineering 2002 Uludağ University Journal of The Faculty of Engineering

Bu çalışmada, bir kurumun sevkiyat verileri kullanılarak talebi doğru tahmin etmeyi amaçlayan bir model önerisi sunulmuştur. AutoML (Otomatik Makine Öğrenmesi) yaklaşımı kapsamında AutoTS (Otomatik Zaman Serisi) kütüphanesi ile yedi farklı zaman serisi modeli test edilmiş ve performansları çeşitli hata metrikleriyle değerlendirilmiştir. Modelleme sürecinde ürün adı, torbalama türü ve şekli esas alınarak oluşturulan 5 farklı grup için ayrı tahminler yapılmıştır. Tahmin sonuçları ağırlıklandırma yöntemiyle birleştirilerek nihai tahminlere ulaşılmıştır. Çalışma, AutoML temelli zaman serisi tahminlerinin karar destek süreçlerinde etkin bir biçimde kullanılabileceğini göstermektedir. Ayrıca önerilen ağırlıklı modelleme yaklaşımı, dinamik yapısıyla tahmin doğruluğunu artırmaya katkı sağlamaktadır. Kurumun birden fazla ürünü için yapılan tahminler değerlendirilmiş; ancak bu makalede bir ürün üzerinden dört çeyrek dönemlik tahminler ile gerçekleşen değerler karşılaştırılmıştır. Seçilen ürün için çeyrek sonlarında sırasıyla %33, %-82, %-15 ve %0,63 oranlarında sapmalar gözlemlenmiştir. Sonuçlar, modelin bazı dönemlerde sapmalar gösterdiğini, bazı dönemlerde tahmin doğruluğu yüksek olduğunu göstermektedir.

In this study, a model is proposed to accurately forecast demand based on the shipment data of a public institution. Within the scope of the AutoML (Automated Machine Learning) approach, seven different time series models were tested using the AutoTS (Automated Time Series) library, and their performances were evaluated using various error metrics. During the modeling process, five different groups were created based on variables such as product name, packaging type, and shape, and separate forecasts were generated for each group. The forecasting results were then combined using a weighting method to obtain final predictions. The study demonstrates that AutoML-based time series forecasting can be effectively used in decision support processes. Furthermore, the proposed weighted modeling approach contributes to improving forecast accuracy with its dynamic structure. Although forecasts were generated for multiple products, this paper compares forecasted and actual values for a single product over four quarters. For the selected product, deviations of 33%, -82%, -15%, and 0.63% were observed at the end of each quarter, respectively. The results show that while the model exhibited significant deviations in some periods, it achieved high forecast accuracy in others.

 Talep Tahmini Zaman Serisi Analizi AutoML AutoTS Lojistik Makine Öğrenmesi Demand Forecasting Time Series Analysis AutoML AutoTS Logistics Machine Learning Alpay, H., & Yüzügüllü, B. (2005). Eskişehir ve çevresindeki üretim işletmelerinde üretim yönetimi uygulamaları. Eskişehir Osmangazi Üniversitesi. Cerqueira, V., Torgo, L., & Soares, C. (2022). A case study comparing machine learning with statistical methods for time series forecasting: Size matters. Journal of Intelligent Information Systems, 59(2), 415–433. https://doi.org/10.1007/s10844-022-00713-9 Contreras, J., Espinola, R., Nogales, F. J., & Conejo, A. J. (2003). ARIMA models to predict next-day electricity prices. IEEE Transactions on Power Systems, 18(3), 1014–1020. https://doi.org/10.1109/TPWRS.2002.804943 Dietterich, T. G. (2000). Ensemble methods in machine learning. In J. Kittler & F. Roli (Eds.), Multiple classifier systems (pp. 1–15). Springer. https://doi.org/10.1007/3-540-45014-9_1 Fox, J., & Weisberg, S. (2018). Time-series regression and generalized least squares in R: An appendix to An R companion to applied regression (3rd ed.). SAGE Publications He, X., Zhao, K., & Chu, X. (2019). AutoML: A Survey of the State-of-the-Art. arXiv. https://doi.org/10.48550/arXiv.1908.00709 Heckbert, P. S. (1998). Fourier transforms and the fast Fourier transform (FFT) algorithm. (Revize edilmiş basım). [Yayınlanmamış çalışma veya Teknik Rapor]. Carnegie Mellon University. Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and practice (2nd ed.). OTexts. https://otexts.com/fpp2/ Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679–688. https://doi.org/10.1016/j.ijforecast.2006.03.001 Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). The M4 competition: Results, findings, conclusion and way forward. International Journal of Forecasting, 34(4), 802–808. https://doi.org/10.1016/j.ijforecast.2018.06.001 McCullagh, P., & Nelder, J. A. (1989). Generalized linear models (2nd ed.). Chapman and Hall/CRC. https://doi.org/10.1201/9780203753736 Meisenbacher, S., Turowski, M., Phipps, K., Rätz, M., Müller, D., Hagenmeyer, V., & Mikut, R. (2022). Review of automated time series forecasting pipelines. Sensors, 22(19), 7247. https://doi.org/10.3390/s22197247 Montero-Manso, P., Athanasopoulos, G., Hyndman, R. J., & Talagala, T. S. (2020). FFORMA: Feature-based forecast model averaging. International Journal of Forecasting, 36(1), 86–92. https://doi.org/10.1016/j.ijforecast.2019.02.011 Opitz, D., & Maclin, R. (1999). Popular ensemble methods: An empirical study. Journal of Artificial Intelligence Research, 11, 169–191. https://doi.org/10.1613/jair.614 Park, Y., Lee, J., & Park, W. (2021). Self-weighted ensemble method to adjust the influence of individual models based on reliability. In 2021 International Conference on Information and Communication Technology Convergence (ICTC) (pp. 1195–1197). IEEE. https://doi.org/10.48550/arXiv.2104.04120 Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, É. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825–2830. https://doi.org/10.5555/1953048.2078195 Qiu, X., Hu, J., Zhou, L., & Wu, X. (2022). TFB: Towards comprehensive and fair benchmarking of time series forecasting methods. IEEE Transactions on Knowledge and Data Engineering, 34(8), 3918–3932. https://doi.org/10.48550/arXiv.2403.20150 Taylor, S. J., & Letham, B. (2018). Forecasting at scale. The American Statistician, 72(1), 37–45. https://doi.org/10.1080/00031305.2017.1380080 Top, S., & Yılmaz, C. (2009). Üretim yönetimi. İstanbul Ticaret Üniversitesi. Triebe, O., Hewamalage, H., & Seeger, M. (2021). NeuralProphet: Explainable forecasting at scale. arXiv preprint arXiv:2101.02118. https://doi.org/10.48550/arXiv.2111.1539 Wang, C., Chen, X., Wu, C., & Wang, H. (2022). AutoTS: Automatic Time Series Forecasting Model Design Based on Two-Stage Pruning. IEEE Transactions on Knowledge and Data Engineering, 34(8), 3848–3862. https://doi.org/10.48550/arXiv.2203.14169