AI Summary & Key Takeaways
AI InsightThe results show that while the model exhibited significant deviations in some periods, it achieved high forecast accuracy in others.
📌 3 Key Takeaways
Abstract
Abstract of the corrected earlier paper: In this study, a model is proposed to accurately forecast demand based on the shipment data of a public institution. Within the scope of the AutoML (Automated Machine Learning) approach, seven different time series models were tested using the AutoTS (Automated Time Series) library, and their performances were evaluated using various error metrics. During the modeling process, five different groups were created based on variables such as product name, packaging type, and shape, and separate forecasts were generated for each group. The forecasting results were then combined using a weighting method to obtain final predictions. The study demonstrates that AutoML-based time series forecasting can be effectively used in decision support processes. Furthermore, the proposed weighted modeling approach contributes to improving forecast accuracy with its dynamic structure. Although forecasts were generated for multiple products, this paper compares forecasted and actual values for a single product over four quarters. For the selected product, deviations of 33%, -82%, -15%, and 0.63% were observed at the end of each quarter, respectively. The results show that while the model exhibited significant deviations in some periods, it achieved high forecast accuracy in others.
Özet
Düzeltme yapılan önceki makaleye ait öz: Bu çalışmada, bir kurumun sevkiyat verileri kullanılarak talebi doğru tahmin etmeyi amaçlayan bir model önerisi sunulmuştur. AutoML (Otomatik Makine Öğrenmesi) yaklaşımı kapsamında AutoTS (Otomatik Zaman Serisi) kütüphanesi ile yedi farklı zaman serisi modeli test edilmiş ve performansları çeşitli hata metrikleriyle değerlendirilmiştir. Modelleme sürecinde ürün adı, torbalama türü ve şekli esas alınarak oluşturulan 5 farklı grup için ayrı tahminler yapılmıştır. Tahmin sonuçları ağırlıklandırma yöntemiyle birleştirilerek nihai tahminlere ulaşılmıştır. Çalışma, AutoML temelli zaman serisi tahminlerinin karar destek süreçlerinde etkin bir biçimde kullanılabileceğini göstermektedir. Ayrıca önerilen ağırlıklı modelleme yaklaşımı, dinamik yapısıyla tahmin doğruluğunu artırmaya katkı sağlamaktadır. Kurumun birden fazla ürünü için yapılan tahminler değerlendirilmiş; ancak bu makalede bir ürün üzerinden dört çeyrek dönemlik tahminler ile gerçekleşen değerler karşılaştırılmıştır. Seçilen ürün için çeyrek sonlarında sırasıyla %33, %-82, %-15 ve %0,63 oranlarında sapmalar gözlemlenmiştir. Sonuçlar, modelin bazı dönemlerde sapmalar gösterdiğini, bazı dönemlerde tahmin doğruluğu yüksek olduğunu göstermektedir.