Deniz taşımacılığında makine öğrenmesi yöntemleriyle talep ve teslim süresi tahmini

Abstract

Değişken küresel ticaret dinamiklerinin yaşandığı bir çağda, deniz taşımacılığı uluslararası lojistiğin temel bir bileşenidir. Ancak deniz taşımacılığı, dalgalanan talep, operasyonel kısıtlar ve çevresel belirsizliklerden kaynaklanan kesintilere maruz kalmaktadır. Tez çalışmasının temel amacı, Türk denizcilik sektöründe operasyonel karar alma süreçlerini iyileştirmek üzere, konteyner iş hacmi talebi ve teslim süresi tahmininde yüksek doğruluk sağlayan, veri odaklı ve pratik uygulanabilir makine öğrenmesi (ML) modelleri geliştirmektir. Gerçek dünya verilerine dayalı olarak, çalışma, konteyner iş hacmi talebini ve teslim süresini etkileyen karmaşık, doğrusal olmayan etkileşimleri yakalamak için hibrit mimariler dahil olmak üzere bir dizi tahmin modeli geliştirmekte, eğitmekte ve değerlendirmektedir. Tez çalışmasında, denetimli öğrenme metodolojileri benimsenmiş ve çeşitli ML algoritmaları karşılaştırılmıştır. Temel etkileyici faktörleri belirlemek için gri ilişkisel analiz yöntemi kullanılmıştır. Önceki çalışmalardan farklı olarak, bu çalışmada, konteyner iş hacmi çıktısı ve sevkiyat teslim sürelerini eş zamanlı olarak tahmin etmek için entegre bir yaklaşım sunulmuştur. Bu iki odaklı yaklaşım, mevcut literatürde nadiren birlikte ele alınmıştır. Önerilen sistem, geleneksel istatistiksel yöntemlere kıyasla tahmin doğruluğunda önemli iyileştirmeler göstererek, nakliye operatörleri, liman otoriteleri ve tedarik zinciri paydaşları için eyleme dönüştürülebilir içgörüler sağlamaktadır. Sonuçlar, önerilen modellerin literatürdeki yaklaşımlara kıyasla daha yüksek tahmin doğruluğu sunduğunu ortaya koymuş, ayrıca, geliştirilen kullanıcı dostu arayüz sayesinde modellerin saha uygulamalarında etkin biçimde kullanılabileceği anlaşılmıştır. Bu tez, yalnızca denizcilik lojistiği tahminlemesinin akademik anlayışını ilerletmekle kalmayıp, aynı zamanda Türk ticaret altyapısının bölgesel karmaşıklıklarına uyarlanmış ölçeklenebilir araçlar da sunmaktadır.In an era of volatile global trade dynamics, maritime transport is a fundamental component of international logistics. However, maritime transport is subject to disruptions caused by fluctuating demand, operational constraints, and environmental uncertainties. The primary objective of this thesis is to develop data-driven and practically applicable machine learning (ML) models that provide high accuracy in predicting container volume demand and delivery times, with the aim of improving operational decision-making processes in the Turkish maritime sector. Based on real-world data, the study develops, trains, and evaluates a series of prediction models, including hybrid architectures, to capture the complex, non-linear interactions that influence container cargo volume demand and delivery times. The thesis adopts supervised learning methodologies and compares various ML algorithms. The grey relational analysis method has been used to identify the key influencing factors. Unlike previous studies, this study presents an integrated approach to simultaneously predict container cargo volume output and shipment delivery times. This dual-focused approach is rarely addressed together in the existing literature. The proposed system provides actionable insights for shipping operators, port authorities, and supply chain stakeholders, demonstrating significant improvements in prediction accuracy compared to traditional statistical methods. The results demonstrate that the proposed models offer higher prediction accuracy compared to approaches in the literature, and the developed user-friendly interface makes them usable for field applications. This thesis not only advances the academic understanding of maritime logistics forecasting but also provides scalable tools adapted to the regional complexities of Turkey's trade infrastructure.