Öz
Gıda talebinin tahmin edilmesi, özellikle e-ticaret alanında iş süreçlerinin optimizasyonu ve sürdürülebilir kalkınma için büyük önem taşımaktadır. Bu çalışmada, öğrenme tabanlı algoritmalar ve zaman serisi analizlerini kullanarak geliştirilen bir talep tahmin sistemi sunulmuştur. Bu sistem, müşteri taleplerini daha doğru bir şekilde öngörmeyi ve perakende şirketlerine stratejik öneriler sunmayı amaçlamaktadır. Yapılan sayısal uygulamalar, Türkiye'deki bir gıda perakende şirketinin son yedi yıllık verileri üzerinde gerçekleştirilmiştir. Çalışmada, özellikle izolasyon ormanı, aglomeratif ve spektral kümeleme, Uzun Kısa Süreli Bellek ve Ekstrem Gradyan Arttırma gibi yöntemler kullanılmıştır. Geliştirilen modeller, satış verilerinin doğru tahmin edilmesine ve stok yönetimi gibi kritik iş süreçlerine önemli katkılar sağlamaktadır. Sonuçlar, özellikle pandemi sürecinde ve mevsimsel etkilerin dikkate alındığı durumlarda gıda talebinin daha etkin bir şekilde yönetilmesine olanak tanımaktadır.
Anahtar Kelimeler
online gıda sektörü zaman serisi analizi Talep tahmini uzun-kısa süreli bellek (LSTM)
Kaynakça
- [1] K. Lutoslawski, M. Hernes, J. Radomska, M. Hajdas, E. Walaszczyk, and A. Kozina, “Food demand prediction using the nonlinear autoregressive exogenous neural network,” IEEE Access, vol. 9, pp. 146 123–146 136, 2021.
- [2] Analytics Vidhya. (2020). Food Demand Forecasting [Data set]. Kaggle. https://doi.org/10.34740/KAGGLE/DSV/1138962
- [3] M. Aci and D. Yergök, “Demand forecasting for food production using machine learning algorithms: A case study of university refectory,” Tehniˇckivjesnik, vol. 30, no. 6, pp. 1683–1691, 2023.
- [4] F. T. Liu, K. M. Ting, and Z.-H. Zhou, "Isolation forest," in 2008 Eighth IEEE International Conference on Data Mining, 2008, pp. 413-422.
- [5] D. Müllner, "Modern hierarchical, agglomerative clustering algorithms," arXiv preprint arXiv:1109.2378, 2011.
- [6] A. Ng, M. Jordan, and Y. Weiss, "On spectral clustering: Analysis and an algorithm," in Advances in Neural Information Processing Systems, vol. 14, 2001.
Öz
Predicting food demand is of great importance, especially for optimizing business processes and achieving sustainable development in the e-commerce sector. This study presents a demand forecasting system developed using learning-based algorithms and time series analysis. The system aims to accurately predict customer demands and provide strategic recommendations to retail companies. Numerical applications have been conducted using data from the past seven years of a food retail company in Turkey. Specifically, methods such as isolation forest, agglomerative and spectral clustering, Long Short-Term Memory (LSTM), and Extreme Gradient Boosting (XGBoost) have been utilized. The developed models significantly contribute to accurate prediction of sales data and critical business processes like inventory management. The results facilitate more effective management of food demand, particularly during the pandemic and in scenarios where seasonal effects are considered.
Anahtar Kelimeler
Demand prediction online food sector time series analysis long-short term memory (LSTM)
Kaynakça
- [1] K. Lutoslawski, M. Hernes, J. Radomska, M. Hajdas, E. Walaszczyk, and A. Kozina, “Food demand prediction using the nonlinear autoregressive exogenous neural network,” IEEE Access, vol. 9, pp. 146 123–146 136, 2021.
- [2] Analytics Vidhya. (2020). Food Demand Forecasting [Data set]. Kaggle. https://doi.org/10.34740/KAGGLE/DSV/1138962
- [3] M. Aci and D. Yergök, “Demand forecasting for food production using machine learning algorithms: A case study of university refectory,” Tehniˇckivjesnik, vol. 30, no. 6, pp. 1683–1691, 2023.
- [4] F. T. Liu, K. M. Ting, and Z.-H. Zhou, "Isolation forest," in 2008 Eighth IEEE International Conference on Data Mining, 2008, pp. 413-422.
- [5] D. Müllner, "Modern hierarchical, agglomerative clustering algorithms," arXiv preprint arXiv:1109.2378, 2011.
- [6] A. Ng, M. Jordan, and Y. Weiss, "On spectral clustering: Analysis and an algorithm," in Advances in Neural Information Processing Systems, vol. 14, 2001.
Ayrıntılar
| Birincil Dil | Türkçe |
|---|---|
| Konular | Makine Öğrenme (Diğer), Yapay Zeka (Diğer) |
| Bölüm | Makaleler |
| Yazarlar | |
| Erken Görünüm Tarihi | 30 Haziran 2025 |
| Yayımlanma Tarihi | 30 Haziran 2025 |
| Gönderilme Tarihi | 18 Ekim 2024 |
| Kabul Tarihi | 12 Nisan 2025 |
| Yayımlandığı Sayı | Yıl 2025 Cilt: 16 Sayı: 2 |
