SATIŞ TAHMİNİ İÇİN DERİN ÖĞRENME YÖNTEMLERİNİN KARŞILAŞTIRILMASI
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Dijital dönüşüm ile tedarik zinciri yönetiminde büyük veri analitiğinin önemi gün geçtikçe artmaktadır. Özellikle müşteri taleplerinin hızlı ve doğru tahmin edilmesinde büyük verinin kullanımı firmalara rekabet avantajı sağlamaktadır. Bu doğrultuda, yapay zekâ tekniklerinden biri olan derin öğrenme modelleri büyük verideki karmaşık örüntülerin keşfedilmesinde öne çıkmaktadır. Son yıllarda literatürde çok sayıda derin öğrenme yöntemi önerilmiştir. Bu çalışmada, satış tahmini problemi için derin öğrenme yöntemlerinin performansları karşılaştırılmıştır. Bu kapsamda derin sinir ağı (DNN), derin otokodlayıcı (Deep AE), evrişimli sinir ağı (CNN), tekrarlayan sinir ağı (RNN), uzun kısa-süreli bellek (LSTM) ağı, çift yönlü LSTM (Bi-LSTM) ağı, kapılı tekrarlayan birim (GRU), CNN-LSTM ve evrişimli LSTM (ConvLSTM) yöntemleri uygulanmıştır. Çeşitli sektörlere ait satış verileri kullanılarak deneysel çalışmalar gerçekleştirilmiştir. Hiperparametre optimizasyonu ardından ele alınan yöntemlerin performansları tahmin doğruluğu ve eğitim süreleri açısından karşılaştırılarak sonuçların istatistiksel anlamlılığı değerlendirilmiştir. Sonuç olarak, LSTM ve GRU modellerinin tahmin doğruluğunda başarılı sonuçlar verdiği, CNN modelinin ise eğitim süresini kısalttığı görülmüştür.
Açıklama
Anahtar Kelimeler
Evrişimli Sinir Ağı, Tekrarlayan Sinir Ağı, Derin Öğrenme, Zaman Serisi, Satış Tahmini, Uzun Kısa-Süreli Bellek Ağı
Kaynak
Uludağ Üniversitesi Mühendislik Fakültesi Dergisi
WoS Q Değeri
Scopus Q Değeri
Cilt
29
Sayı
2
