Üçüncü parti lojistik platformunda talep tahmini için derin öğrenme yaklaşımları
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Bursa Uludağ Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, ENDÜSTRİ MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: Türkçe
Öğrenci: AYŞE ZEYBEL PEKÖZ
Danışman: Tülin İnkaya
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Küresel tedarik zincirleri, COVID-19 pandemisinde ülkeler arası seyahat ve ticari faaliyetlere getirilen kısıtlamalar ile dönemsel karantinalardan büyük ölçüde etkilenmektedir. Bu kapsamda en çok etkilenen sektörlerden biri olan lojistik sektöründe değişen talebin doğru ve hızlı bir şekilde tahmini işgücü ve kaynak planlamalarının etkin bir şekilde yapılması açısından önem arz etmektedir. Bu tezde, COVID-19 pandemi döneminde bir üçüncü parti lojistik platformu için talep tahmini problemi ele alınmıştır. Platformun Haziran 2020-Şubat 2021 tarihleri arasındaki sevkiyat verisi, tek değişkenli zaman serisi olarak incelenmiştir ve derin öğrenme tabanlı bir talep tahmini modeli geliştirilmiştir. Geliştirilen tahmin modeli, evrişimli sinir ağı (CNN) yönteminin öznitelik çıkarma özelliği ile uzun kısa dönem hafıza (LSTM) ağının zaman serisindeki uzun dönemli bağımlılıkları yakalama özelliğini birleştirmektedir ve hibrit CNN-LSTM olarak adlandırılmaktadır. Hibrit CNN-LSTM modelinin performansı istatistiksel yöntemler, makine öğrenmesi ve derin öğrenme yöntemleri ile karşılaştırılmıştır. Her yöntem için uygun parametre değerlerinin belirlenmesi için deneysel çalışmalar gerçekleştirilmiştir. Yapılan deneysel çalışmalar sonucunda, hibrit CNN-LSTM yöntemi ile yüksek tahmin doğruluğu elde edildiği görülmüştür. Hibrit CNN-LSTM modeli ile talebin doğru tahmin edilmesi lojistik sektöründe müşteri memnuniyetinin arttırılması ve kaynak planlamasının etkin yapılmasına katkı sağlayacaktır.