Design and performance evaluation of demand forecasting system for online food data

Talep tahmini, tedarik zinciri yönetimini optimize etmede ve çeşitli endüstrilerde operasyonel verimliliği artırmada kritik bir bileşendir. Talebi önceden tahmin ederek, üreticiler üretimlerini planlayabilir, dağıtım ve depolama seçenekleri konusunda bilinçli kararlar alabilir ve bozulabilir ürünlerin miktarının gerçek talebi karşılamasını sağlayabilirler. Ancak, taze gıda endüstrisinde talep tahmini, bu ürünlerin kısa raf ömrü ve yüksek talep değişkenliği nedeniyle önemli zorluklar sunmaktadır. Ayrıca, hava koşulları ve mevsimsel değişiklikler gibi dış faktörler, taze gıda arz ve talebini tahmin etmeyi daha da karmaşık hale getirir. Bu karmaşıklıklar, hızlı değişimlere uyum sağlayabilen ve gerçek zamanlı verileri içerebilen sofistike tahmin modellerini gerektirir. Bu tür modellerin uygulanması, israfı azaltmaya, aşırı üretimi düşürmeye, envanter seviyelerini optimize etmeye ve nihayetinde taze ürünlerin sürekli olarak mevcut olmasını sağlayarak müşteri memnuniyetini artırmaya yardımcı olabilir. Bu tez, özellikle sanal gıda piyasası verilerine odaklanarak talebi doğru bir şekilde tahmin etmek için gelişmiş metodolojileri ve algoritmaları araştırmaktadır. Bu amaçla, bir Türk firması tarafından geliştirilen bir veri seti ve Kaggle'dan Gıda Talebi Tahmini adlı bir veri seti kullandık. Model olarak, Doğrusal Regresyon, Karar Ağacı Regressörü, Rastgele Orman Regressörü, Gradient Boosting Regressörü, eXtreme Gradient Boosting, Çok Katmanlı Algılayıcı Regressörü, Light Gradient Boosting Makinesi ve Doğrusal Olmayan Dışsal Otoregresif (NARX) Modeli kullandık. İlk yedi model, zaman serisi modeli olan NARX Model için bir kıyaslama olarak kullanıldı. Modellerin performansını değerlendirmek için kullanılan performans metrikleri, Kök Ortalama Kare Hatası, R-kare, Ortalama Kare Hatası ve Ortalama Mutlak Hata'dır. Yedi makine öğrenimi modeli arasında, Sanal Market Veri Seti için Karar Ağacı Regressörü ve Rastgele Orman Regressörü en iyi performansı sergilemektedir. Ayrıca, Gıda Talebi Tahmini veri seti için, Light Gradient Boosting Makinesi modeli en iyi performansı sergilemekte olup, en düşük Kök Ortalama Kare Hatasına (138,45) ve en yüksek R-kareye (0,87), en düşük Ortalama Kare Hatasına (19.169,66) ve düşük bir Ortalama Mutlak Hata'ya (75,51) sahiptir. Son olarak, diğer modellere kıyasla, NARX orta düzeyde performans göstermektedir. Doğrusal Regresyon modelinden önemli ölçüde daha iyi performans göstermektedir. Ancak, NARX Modeli diğer modellere kıyasla performans bakımından geride kalmaktadır. Anahtar Kelimeler: Gıda Pazarı, Talep Tahmini, NARX