Mobilya satış tahmini için tekrarlayan sinir ağları ve topluluk öğrenmesini birleştiren hibrit bir zaman serisi tahmin modeli

Abstract

Mobilya sektöründe talep tahmini, stok yönetimi, üretim planlaması ve tedarik zinciri optimizasyonu açısından kritik bir öneme sahiptir. Perakende satış verilerinin yüksek değişkenliği, mevsimsel dalgalanmalar ve düzensiz sipariş örüntüleri, geleneksel istatistiksel yöntemlerin yetersiz kalmasına neden olmaktadır. Son yıllarda derin öğrenme tabanlı yaklaşımlar bu alanda umut verici sonuçlar sunmuş olsa da tek başına kullanılan modellerin karmaşık zamansal bağımlılıkları yeterince yakalayamadığı görülmektedir. Bu çalışmada, modüler bir çoklu yama yapısı içinde tekrarlayan sinir ağlarını ve topluluk öğrenme algoritmalarını birleştirerek tek adımlı (one-step-ahead) zaman serisi tahmininin doğruluğunu ve kararlılığını artırmak amacıyla MP-LRNet adlı bir derin öğrenme modeli önerilmektedir. Model, farklı zaman aralıklarındaki zamansal desenleri öğrenmek ve sıralı verilerdeki hem kısa hem de uzun dönem bağımlılıkları yakalamak için tasarlanmıştır. MP-LRNet’in performansını değerlendirmek için gerçek bir mobilya satış veri seti kullanılarak deneyler yapılmıştır. Önerilen model, on bağımsız çalışmada ortalama 0,9918 R² üretmiş; en iyi yinelemede 0,9927 R² değerine ulaşmıştır. Çoklu yama yapısı zamansal temsili geliştirirken, önerilen MP-LRNet yapılandırması (LSTM + Random Forest + (7,14) yama), bu veri seti ve deney protokolü altında dengeli sonuçlar üretmiştir. Bulgular, MP-LRNet’in mobilya satış tahmini bağlamında bu veri seti üzerinde umut verici bir performans gösterdiğine işaret etmektedir. Modelin genellenebilirliği, UCI Household Electric Power Consumption halka açık veri seti üzerinde doğrulanmış ve aynı performans sıralamasının farklı bir alanda da korunduğu gösterilmiştir. Gelecek çalışmalarda önerilen model trafik ve çevresel zaman serileri gibi farklı alanlara uygulanarak modelin başarımının genelliğinin artırılması hedeflenmektedir.

Demand forecasting in the furniture industry is of critical importance for inventory management, production planning, and supply chain optimization. The high variability of retail sales data, seasonal fluctuations, and irregular order patterns render traditional statistical methods insufficient. Although deep learning-based approaches have yielded promising results in this domain in recent years, standalone models have been shown to inadequately capture complex temporal dependencies. In this study, a deep learning model named MPLRNet is proposed to enhance the accuracy and stability of one-step-ahead time series forecasting by integrating recurrent neural networks and ensemble learning algorithms within a modular Multi-Patch framework. The model is designed to learn temporal patterns across different time intervals and to capture both short-term and long-term dependencies in sequential data. Experiments were conducted using a real-world furniture sales dataset to evaluate the performance of MP-LRNet. The proposed model yielded a mean R² of 0.9918 across ten independent runs, achieving an R² of 0.9927 in the best iteration. While the MultiPatch structure enhanced temporal representation, the proposed MP-LRNet configuration (LSTM + Random Forest + (7,14) patch) produced well-balanced results for this dataset and experimental protocol. The findings indicate that MP-LRNet demonstrates promising performance on this dataset in the context of furniture sales forecasting. The generalizability of the model was validated on the UCI Household Electric Power Consumption public dataset, demonstrating that the same performance ranking was preserved in a different domain. Future work aims to extend the proposed model to traffic and environmental time series to further enhance the generalizability of its performance.