Makale 2
Makale Adı: Predicting Future Demand Analysis in the Logistics Sector Using Machine Learning Methods
Makale Özeti: Bu çalışmada, lojistik sektöründeki gelecek ihtiyaçları analiz etmek için makine öğrenimi yöntemlerinin potansiyeli araştırılmıştır. Araştırma, MATLAB platformu kullanılarak yürütülmüştür. Bir lojistik şirketinden alınan sayısal palet talep verileri, MLP, LSTM ve CNN modellerini eğitmek için kullanılmıştır. Veri toplama sürecinde veri güvenliği ve gizliliğe öncelik verilmiştir. Toplam 3,062 günlük kayıttan oluşan bu veri seti, çalışmanın ana veri kaynağı olarak hizmet etmektedir. Veri ön işleme aşamasında, eksik veya hatalı veriler düzeltilmiş ve aykırı değerler tespit edilerek düzeltilmiştir. Modeller, 25 günlük ve 4 haftalık dönemlerde palet miktarlarını tahmin etmek için test edilmiştir. Sonuçlar, model tahminlerinin gerçek verilerle karşılaştırılarak değerlendirilmiştir. Model performansları MSE, RMSE, NRMSE, MAE, ESD ve RC gibi metrikler kullanılarak değerlendirilmiştir. Son 25 günün sonuçlarına göre, LSTM modeli en düşük MSE (6,410.5571) ve RMSE (80.0660) değerlerini sergilemektedir. MLP modeli için MSE değeri 20,536.5564 olarak hesaplanmış ve RMSE değeri 143.3058 olarak bulunmuştur. CNN modeli için yapılan performans değerlendirmeleri MSE'nin 8,492.4297 ve RMSE'nin 92.1544 olduğunu göstermektedir. Ayrıca, MLP modelinin 4 haftalık tahminler için en iyi sonuçları sağladığı gözlemlenmiştir. Bu çalışmanın sonuçları, kullanılan modellerin lojistik sektöründe palet taşıma miktarlarını tahmin etmede başarılı olduğunu göstermektedir. Bu çalışmanın yanı sıra, lojistik şirketlerin daha bilinçli ve stratejik kararlar almasına katkıda bulunulmuştur.
Abstract: In this study, the potential of machine learning methods for analyzing future needs in the logistics sector was investigated. The research is conducted using the MATLAB platform. Numeric pallet demand data obtained from a logistics company are employed to train MLP, LSTM, and CNN models.Data security and confidentiality take priority during the data collection process. This dataset, comprising a total of 3,062 daily records, serves as the primary data source for the study. In the data preprocessing phase, missing or erroneous data is rectified, and outliers are detected and corrected. The models are tested to predict pallet quantities over periods of 25 days and 4 weeks. The results are evaluated by comparing the model predictions with actual data. Model performances are assessed using metrics such as MSE, RMSE, NRMSE, MAE, ESD, and RC. The outcomes of the last 25 days demonstrate that the LSTM model exhibits the lowest MSE (6,410.5571) and RMSE (80.0660) values. For the MLP model, the MSE value is calculated as 20,536.5564, and the RMSE value is 143.3058. Performance evaluations for the CNN model yield an MSE of 8,492.4297 and an RMSE of 92.1544. Furthermore, it is observed that the MLP model provides the best results for the 4-week forecasts. The results of this study indicate the successof the models used for predicting pallet transportation quantities in the logistics sector. In addition to this study, a contribution is made toward enabling logistics companies to make more informed and strategic decisions.
Makale Linki : https://www.imiens.org/index.php/imiens/article/view/42