KaydedilenlerDerginizi ekleyin

Dergiler / Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi / 2018 / Cilt: 24 Sayı: 1

Kural tabanlı bulanık yaklaşımla talep tahmini ve hızlı tüketim sektöründe bir uygulama

Fuzzy rule based demand forecasting and an application on fast moving consumer industry

Beyzanur Çayır Ervural, İrem Uçal Sarı, Berk Koçyiğit

Sayfa
83–93
Yayın Tarihi
2018-02-27
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗

Özet

Normal 0 false false false TR X-NONE X-NONE /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Normal Tablo"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin-top:0cm; mso-para-margin-right:0cm; mso-para-margin-bottom:10.0pt; mso-para-margin-left:0cm; line-height:115%; mso-pagination:widow-orphan; font-size:11.0pt; font-family:"Calibri",sans-serif; mso-ascii-font-family:Calibri; mso-ascii-theme-font:minor-latin; mso-hansi-font-family:Calibri; mso-hansi-theme-font:minor-latin; mso-bidi-font-family:"Times New Roman"; mso-bidi-theme-font:minor-bidi; mso-ansi-language:TR;} Talep tahmin çalışmaları hem sektörel hem de akademik anlamda karar vericiler için önemli kabul edilen stratejik konulardan biridir. Sürekli değişen politik, kültürel, yasal ve ekonomik gelişmeler işletmeleri belirsizlik altında tahmin etmeye itmiştir. Karmaşık, çok boyutlu ve belirsizliğin yüksek olduğu ortamlarda klasik yöntemlerle problemleri modellemek oldukça güçtür. Bulanık yaklaşımlar daha esnek yapıda olduğu için daha kolay modelleme imkânı sağlamaktadır. Bu çalışmada hızlı tüketim sektöründe faaliyet gösteren bir firmanın talep tahmin çalışması,   bulanık küme teorisi, bulanık eğer-ise kuralları ve bulanık çıkarım kavramlarına dayanan kural tabanlı bulanık mantık yaklaşımıyla ele alınmıştır. Kural tabanlı bulanık yaklaşımla elde edilen sonuçlar gerçekleşen değerler ile karşılaştırılmış ve düşük mutlak sapma değerlerine ulaşılmıştır. Ayrıca elde edilen sonuçlar zaman serileri yaklaşımıyla da karşılaştırılmış, yöntemlerin üstünlükleri gösterilmiştir.

Anahtar kelimeler
🔖

Bu Makaleye Atıf Yap

Ervural, B. Ç., Sarı, İ. U., Koçyiğit, B. (2018). Kural tabanlı bulanık yaklaşımla talep tahmini ve hızlı tüketim sektöründe bir uygulama. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 24 Sayı: 1, 83–93. https://ajindex.com/articles/1058821

📄 Tam Metin PDF Okuyucu

Kaynakça (30)

  1. Uçal-Sarı İ. Yatırım Analizinde Bulanık Model Önerileri. Doktora Tezi, İstanbul Teknik Üniversitesi, İstanbul, Türkiye, 2012.
  2. Zadeh LA. “Fuzzy sets”. Information and Control, 8(3), 338-353, 1965.
  3. Abraham A, Nath B. “A neuro-fuzzy approach for modelling electricity demand in Victoria”. Applied Soft Computing, 1(2), 127–138, 2001.
  4. Wang CH. “Predicting tourism demand using fuzzy time series and hybrid grey theory”. Tourism Management, 25(3), 367–374, 2004.
  5. Lau HCW, Cheng ENM, Lee CKM, Ho GTS. “A fuzzy logic approach to forecast energy consumption change in a manufacturing system”. Expert Systems with Applications, 34(3), 1813–1824, 2008.
  6. Efendigil T, Önüt S, Kahraman C. “A decision support system for demand forecasting with artificial neural networks and neuro-fuzzy models: A comparative analysis”. Expert Systems with Applications, 36(3), 6697–6707, 2009.
  7. Chang PC, Fan CY, Lin JJ, “Monthly electricity demand forecasting based on a weighted evolving fuzzy neural network approach”. International Journal of Electrical Power & Energy Systems, 33 (1), 17–27, 2011.
  8. Karahan M. İstatistiksel Tahmin Yöntemleri: Yapay Sinir Ağları Metodu ile Talep Tahmini Uygulaması. Doktora Tezi, Selçuk Üniversitesi, Konya, Türkiye.2011.
  9. Azadeh A, Ziaei B, Moghaddam M. “A hybrid fuzzy regression-fuzzy cognitive map algorithm for forecasting and optimization of housing market fluctuations”. Expert Systems with Applications, 39 (1), 298–315, 2012.
  10. Zahedi G, Azizi S, Bahadori A, Elkamel A, Wan Alwi SR. “Electricity demand estimation using an adaptive neuro-fuzzy network: A case study from the Ontario province – Canada”. Energy, 49, 323–328, 2013.
  11. Coşgun Ö, Ekinci Y, Yanık S. “Fuzzy rule-based demand forecasting for dynamic pricing of a maritime company”. Knowledge-Based Systems, 70, 88–96, 2014.
  12. Peng HW, Wu SF, Wei CC, Lee SJ. “Time series forecasting with a neuro-fuzzy modeling scheme”. Applied Soft Computing, 32, 481–493, 2015.
  13. Efendi R, Ismail Z, Deris MM. “A new linguistic out-sample approach of fuzzy time series for daily forecasting of Malaysian electricity load demand”. Applied Soft Computing, 28, 422–430,2015.
  14. Azadeh A, Asadzadeh SM, Mirseraji GH, Saberi M. “An emotional learning-neuro-fuzzy inference approach for optimum training and forecasting of gas consumption estimation models with cognitive data”. Technological Forecasting and Social Change, 91, 47-63, 2015.
  15. Osório GJ, Matias JCO, Catalão JPS. “Short-term wind power forecasting using adaptive neuro-fuzzy inference system combined with evolutionary particle swarm optimization, wavelet transform and mutual information”. Renewable Energy, 75, 301-307, 2015.
  16. Cheng SH, Chen SM, Jian WS. “Fuzzy time series forecasting based on fuzzy logical relationships and similarity measures”. Information Sciences, 327, 272-287, 2016.
  17. Bisht K, Kumar S. “Fuzzy time series forecasting method based on hesitant fuzzy sets”. Expert Systems with Applications, 64, 557-568, 2016.
  18. Hassan S, Khosravi A, Jaafar J, Khanesar MA. “A systematic design of interval type-2 fuzzy logic system using extreme learning machine for electricity load demand forecasting”. International Journal of Electrical Power Energy Systems, 82, 1–10, 2016.
  19. Ye F, Zhang L, Zhang D, Fujita H, Gong Z. “A novel forecasting method based on multi-order fuzzy time series and technical analysis”. Information Sciences, 367–368,41–57, 2016.
  20. Lou CW, Dong MC. “A novel random fuzzy neural networks for tackling uncertainties of electric load forecasting”. International Journal of Electrical Power Energy Systems, 73, 34-44, 2015.
  21. Bağırkan Ş. İstatiksel Analiz. İstanbul, Tükiye, Önsöz Basım ve Yayıncılık, 1982.
  22. Tek ÖB. Pazarlama Ilkeleri Global Yönetimsel Yaklaşım Türkiye Uygulamaları. İstanbul, Türkiye, Beta Yayın, 1999.
  23. Tanyaş M, Baskak M. Üretim Planlama ve Kontrol. İstanbul, Türkiye, İrfan Yayımcılık, 2006.
  24. Lancaster G, Massingham L. Essentials of Marketing: Text and Cases. 2nd ed., McGraw-Hill Companies, 1993.
  25. Kosko B. Fuzzy Thinking: The New Science of Fuzzy Logic. Reprint edition. New York, USA, Hyperion, 1994.
  26. Zimmermann HJ. Fuzzy Set Theory and its Applications. Dordrecht, Netherlands, Springer, 1991.
  27. Ayçın E. Kural Tabanlı Bulanık Modelleme ve Fiyat Tahminleme Sürecinde Bir Uygulama, Yüksek Lisans Tezi, Dokuz Eylül Üniversitesi, İzmir, Türkiye, 2011.
  28. Sivanandam SN, Sumathi S, Deepa SN. Introduction to Fuzzy Logic using MATLAB. Heidelberg, Berlin, Springer 2007.
  29. Lewis CD. Industrial and Business Forecasting Methods. Londra, Butterworths Publishing, 1982.
  30. Witt SF, Witt CA. Modeling and Forecasting Demand in Tourism. Londra, Academic Press, 1992.