Pamukkale Univ Muh Bilim Derg. 2023; 29(4): 331-339 | DOI: 10.5505/pajes.2022.73537

Demand forecasting with deep learning: Case study in a third-party logistics company for the COVID-19 period

Ayþe Zeybel Peköz, Tülin Ýnkaya
Industrial Engineering Department, Bursa Uludað University, Bursa, Turkey

The restrictions and closures experienced during the COVID-19 pandemic period have affected the global supply chains greatly. The logistics sector is among the most affected sectors from this process. For this reason, accurate and fast estimation of logistics demand is important for effective resource planning. In this study, the aim is to predict the demand accurately in a third-party logistics company during the COVID-19 pandemic period. The shipment data of a logistics company between June 2020 and December 2020 were examined, and the prediction problem was considered as univariate time series. In the scope of the study, a deep learning-based demand forecasting model is proposed. In the proposed prediction model, convolutional neural network (CNN) and long short-term memory (LSTM) network are integrated. CNN provides feature extraction, LSTM captures long-term dependencies, and the proposed model is called hybrid CNN-LSTM. The prediction performance of the hybrid CNN-LSTM was evaluated by comparing it with the classical prediction approaches as well as machine learning and deep learning approaches. The parameter values of all forecasting methods were determined by experimental studies. According to the experimental results, the proposed hybrid CNN-LSTM method showed higher performance than the other methods. The proposed approach generates input to workforce and resource planning activities by providing accurate estimation of logistics demand.

Keywords: Demand forecasting, Third-party logistics, Deep learning, Convolutional neural networks, Long short-term memory

---

Derin öðrenme ile talep tahmini: Bir üçüncü parti lojistik firmasý için COVID-19 döneminde vaka analizi

Ayþe Zeybel Peköz, Tülin Ýnkaya
Endüstri Mühendisliði Bölümü, Bursa Uludað Üniversitesi, Bursa, Türkiye

COVID-19 pandemi döneminde yaþanan kýsýtlamalar ve kapanmalar küresel tedarik zincirlerini büyük ölçüde etkilemiþtir. Lojistik sektörü, bu süreçten en çok etkilenen sektörler arasýnda yer almaktadýr. Bu nedenle, lojistik talebinin doðru ve hýzlý tahmin edilmesi, etkin kaynak planlamasý için önem taþýmaktadýr. Bu çalýþmada, bir üçüncü parti lojistik firmasýnda COVID-19 pandemi dönemindeki talebin doðru tahmin edilmesi hedeflenmiþtir. Lojistik firmasýnýn Haziran 2020 ve Aralýk 2020 tarihleri arasýndaki sevkiyat verisi incelenmiþtir ve tahmin problemi tek deðiþkenli zaman serisi olarak ele alýnmýþtýr. Çalýþma kapsamýnda, derin öðrenme tabanlý talep tahmini modeli önerilmiþtir. Önerilen modelde evriþimli sinir aðý (CNN) ile uzun kýsa dönem hafýza (LSTM) aðý bütünleþtirilmiþtir. CNN özniteliklerin çýkarýlmasýný, LSTM aðý ise uzun dönemli baðýmlýlýklarýn yakalanmasýný saðlamaktadýr ve önerilen model hibrit CNN-LSTM olarak adlandýrýlmýþtýr. Hibrit CNN-LSTM’in tahmin performansý klasik tahmin yaklaþýmlarýnýn yaný sýra makine öðrenmesi ve derin öðrenme yaklaþýmlarý ile karþýlaþtýrýlarak deðerlendirilmiþtir. Tüm tahmin yöntemlerinin parametre deðerleri deneysel çalýþmalar ile belirlenmiþtir. Deneysel sonuçlara göre önerilen hibrit CNN-LSTM yöntemi diðer yöntemlerden daha yüksek tahmin performansý göstermiþtir. Önerilen yaklaþým, lojistik talebinin doðru tahmin edilmesini saðlayarak iþ gücü ve kaynak planlamasý faaliyetlerine girdi oluþturmaktadýr.

Anahtar Kelimeler: Talep tahmini, Üçüncü parti lojistik, Derin öðrenme, Evriþimli sinir aðlarý, Uzun kýsa dönem hafýza

---

CITE