Üçüncü parti lojistik platformunda talep tahmini için derin öğrenme yaklaşımları

Abstract

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.

Global supply chains are greatly affected by the restrictions on the international freight and commercial activities and periodic quarantines during the COVID-19 pandemic. In this context, it is important to estimate the changing demand in the logistics sector, which is one of the most affected sectors in terms of effective workforce and resource planning. In this thesis, the demand forecasting problem for a third-party logistics platform is discussed during the COVID-19 pandemic period. The platform's shipment data between June 2020 and February 2021 were analyzed as a univariate time series problem, and a deep learning-based demand forecasting model was developed. The developed hybrid CNN-LSTM prediction model combines the property of the feature extraction for the convolutional neural network (CNN) with the property of capturing the long-term dependencies in the time series for the long short-term memory (LSTM) network. The performance of the hybrid CNN-LSTM model was compared with the statistical, machine learning and deep learning methods. Experimental studies were carried out to determine the appropriate parameter values for each method. As a result of the experimental studies, it was seen that the high estimation accuracy was obtained with the hybrid CNN-LSTM method. This accurate estimation of demand with the hybrid CNN-LSTM model will contribute to the logistics industry by increasing the customer satisfaction and performing effective resource planning.