Araştırma Makalesi
BibTex RIS Kaynak Göster

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

Yıl 2021, Cilt: 23 Sayı: 67, 327 - 338, 15.01.2021
https://doi.org/10.21205/deufmd.2021236729

Öz

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.

Kaynakça

  • 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
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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.
  • 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
  • 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
  • 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
  • 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.
  • 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
  • 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
  • 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
  • Öztemel, E. 2012. Yapay Sinir Ağları. Papatya Yayıncılık, İstanbul, 232s.
  • Vapnik, V. 1995. The Nature of Statistical Learning Theory. Springer, New York, 314s.
  • 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.

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

Yıl 2021, Cilt: 23 Sayı: 67, 327 - 338, 15.01.2021
https://doi.org/10.21205/deufmd.2021236729

Öz

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.

Kaynakça

  • 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
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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.
  • 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
  • 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
  • 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
  • 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.
  • 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
  • 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
  • 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
  • Öztemel, E. 2012. Yapay Sinir Ağları. Papatya Yayıncılık, İstanbul, 232s.
  • Vapnik, V. 1995. The Nature of Statistical Learning Theory. Springer, New York, 314s.
  • 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.
Toplam 19 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Bölüm Araştırma Makalesi
Yazarlar

Feyza Çoban Bu kişi benim 0000-0002-5328-7936

Leyla Demir 0000-0002-9036-6895

Yayımlanma Tarihi 15 Ocak 2021
Yayımlandığı Sayı Yıl 2021 Cilt: 23 Sayı: 67

Kaynak Göster

APA Çoban, F., & Demir, L. (2021). Yapay Sinir Ağları ve Destek Vektör Regresyonu ile Talep Tahmini: Gıda İşletmesinde Bir Uygulama. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen Ve Mühendislik Dergisi, 23(67), 327-338. https://doi.org/10.21205/deufmd.2021236729
AMA Çoban F, Demir L. Yapay Sinir Ağları ve Destek Vektör Regresyonu ile Talep Tahmini: Gıda İşletmesinde Bir Uygulama. DEUFMD. Ocak 2021;23(67):327-338. doi:10.21205/deufmd.2021236729
Chicago Çoban, Feyza, ve Leyla Demir. “Yapay Sinir Ağları Ve Destek Vektör Regresyonu Ile Talep Tahmini: Gıda İşletmesinde Bir Uygulama”. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen Ve Mühendislik Dergisi 23, sy. 67 (Ocak 2021): 327-38. https://doi.org/10.21205/deufmd.2021236729.
EndNote Çoban F, Demir L (01 Ocak 2021) Yapay Sinir Ağları ve Destek Vektör Regresyonu ile Talep Tahmini: Gıda İşletmesinde Bir Uygulama. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi 23 67 327–338.
IEEE F. Çoban ve L. Demir, “Yapay Sinir Ağları ve Destek Vektör Regresyonu ile Talep Tahmini: Gıda İşletmesinde Bir Uygulama”, DEUFMD, c. 23, sy. 67, ss. 327–338, 2021, doi: 10.21205/deufmd.2021236729.
ISNAD Çoban, Feyza - Demir, Leyla. “Yapay Sinir Ağları Ve Destek Vektör Regresyonu Ile Talep Tahmini: Gıda İşletmesinde Bir Uygulama”. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi 23/67 (Ocak 2021), 327-338. https://doi.org/10.21205/deufmd.2021236729.
JAMA Çoban F, Demir L. Yapay Sinir Ağları ve Destek Vektör Regresyonu ile Talep Tahmini: Gıda İşletmesinde Bir Uygulama. DEUFMD. 2021;23:327–338.
MLA Çoban, Feyza ve Leyla Demir. “Yapay Sinir Ağları Ve Destek Vektör Regresyonu Ile Talep Tahmini: Gıda İşletmesinde Bir Uygulama”. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen Ve Mühendislik Dergisi, c. 23, sy. 67, 2021, ss. 327-38, doi:10.21205/deufmd.2021236729.
Vancouver Çoban F, Demir L. Yapay Sinir Ağları ve Destek Vektör Regresyonu ile Talep Tahmini: Gıda İşletmesinde Bir Uygulama. DEUFMD. 2021;23(67):327-38.

Dokuz Eylül Üniversitesi, Mühendislik Fakültesi Dekanlığı Tınaztepe Yerleşkesi, Adatepe Mah. Doğuş Cad. No: 207-I / 35390 Buca-İZMİR.