Demand forecasting with artificial neural networks: White goods production planning example

Üretimplanlama için doğru bir talep tahminin yapılması oldukça önemli birparametredir. Müşterilerin gelecekteki talep eğilimleri, piyasa durumu vemevsimsellik gibi birçok faktörden etkilenebilir. Üretim planlama, işletmelerinhedefleri doğrultusunda üretim politikaları, üretim programları ve üretimleilgili süreçlerin planlanmasıdır. Doğru bir talep tahmini yapmak oldukça kritikbir öneme sahip olup kaynakların daha verimli kullanılmasına olanaksağlayabilecektir. Talep tahmin metotları, kantitatif ve kalitatif olarak ikiana başlık altında toplanır. Kantitatif tahmin metodu, insanların kenditecrübelerinden oluşan bilgiye dayanak olarak tahmin yapma yöntemidir.Kalitatif metot ise, sayısal verilerin matematiksel modellemelerledesteklenerek ortaya çıkan sonuçlara dayanarak tahmin yapma yöntemidir. Yapaysinir ağları modeli kantitatif tahmin metotlarının arasında yer alır. Buçerçevede, makine öğrenme yöntemleri özellikle destek vektör makinesi, en yakınn-komşu, regresyon ve yapay sinir ağları ve bayes ağları gibi metotlar vealgoritmaların kullanılması uygun olabilir. Bu makalede yapay sinir ağlarımetodu kullanılarak talep tahmini problemi minimum hatayı veren sinir ağlarıylaçözülmüştür. Yapay sinir ağları metodu, belirli değişkenlere bağlı olan bir taleptahminini önceki örneklerin verileriyle yapay sinir ağlarının öğretilmesiyleileriye dönük doğru talep tahmini yapması hedeflenmektedir.
Demand forecastingrepresents an important part of production planning because itcan estimate the future demand of products and services and the amount ofresources that needs to be allocated in order to accomplish that demand. As thedemands can vary as the times passes, the production plan must beable to face those variations. Demand estimation methods are classified undertwo main headings: quantitative and qualitative. The quantitative estimationmethod is a method of estimating the basis of knowledge of people's ownexperiences. The qualitative method is the method of estimating the numericaldata based on the results obtained by supporting the mathematical modeling.Artificial neural network model is among quantitative estimation methods.Therefore, it may be appropriate to use methods and algorithms such as machinelearning methods, especially support vector machine, nearest n-neighbor,regression and artificial neural networks and Bayesian networks. In this paper,we focus on the mining of the time series formed by all the past results usingan artificial neural network-based simulation system that is ableto identify an appropriate production forecast. The results ofthe production simulations are used as historical data in order toforecast the future demands and the amount of time needed to satisfy them. Thetime series forecast results show that data mining can be used in this domainin order to extract patterns that can be used to optimizethe production process.