Bu tədqiqat, havalimanlarında faaliyet gösteren yanacaq distribütorularının aylık yanacaq tələbini tahmin etmek və tədarük göndərişi ilə stok kararlarını belirsizlik altında desteklemek amacıyla SARIMA və XGBoost modellerini birleştiren hibrit bir çerçeve önermektedir. SARIMA modeli geçmiş talepteki doğrusal eğilimleri və yıllık mevsimselliği temsil eden bir başlangıç tahmini üretmekte; XGBoost ise bu tahmini, aviaşirkət ihale hacimleri, aktiv müqavilə sayısı, bazar payı değişimleri, marşrut hərəkətliliyi və önceki tahmin artıklarından oluşan operasyonel xüsusiyyətlərle düzeltmektedir.

Sistem yalnızca tek bir talep değeri üretmemekte; P10, P50 və P90 kvantillerini tahmin ederek olası talep aralığını göstermektedir. P50 merkezi planlama tahmini, P90 yüksek talep və yanacaq çatışmazlığı riski üçün üst sınır, P10 ise düşük talep və depolama-demuraj riski üçün alt sınır olarak kullanılmaktadır. Model tahmin aralığının olağandışı genişlemesi, ani rota iptalleri, aviaşirkət sözleşme değişiklikleri və ya jeopolitik gelişmeler gibi durumlarda insan mütəxəssis müdahalesi öngörülmektedir.

Çalışma, kimliği açıklanmayan büyük bir havacılık yanacaq distribütorusının beş yıllık kayıtlarını kullanmıştır. Günlük və aviaşirkət düzeyindeki kayıtlar aylık toplam talebe dönüştürülmüş və model değerlendirmesinde 60 aylık gözlem kullanılmıştır. İlk 36 ay başlangıç eğitim dönemi olarak alınmış, sonraki 24 ayda her ay model yeniden eğitilerek ileriye dönük tahmin yapılmıştır. Araşdırmacı; Excel tabanlı manuel yaklaşım üçün yüzde 9, SARIMA üçün yüzde 6,5, yalnız XGBoost üçün yüzde 5,8 və hibrit model üçün yüzde 4 ortalama aylık mutlak yüzde sapma bildirmiştir.

P10-P90 aralığının beklenen kapsama oranı yüzde 80 iken gözlenen kapsama oranı yüzde 82 olarak məlumatlmiştir. Gerçek talebin P10’un altında və P90’ın üzerinde kaldığı dönemlerin her biri yaklaşık yüzde 9 olarak raporlanmıştır. Ancaq bu nəticələr yalnızca 24 aylık test dönemi üzerinden hesaplanmıştır və kesin olay sayıları belirtilmemiştir. Bu səbəbdən olasılık aralıklarının farklı havalimanlarında və ya daha uzun dönemlerde aynı kalibrasyonu koruyacağı gösterilmemiştir.

Türkiyə baxımından qiymətləndirmə: Çerçeve, Türkiye’de havalimanlarına yakıt sağlayan işletmelerin aylık tədarük göndərişi, depolama tutumsi və təhlükəsizlik ehtiyatı planlamalarında araşdırma modeli olarak uygulanabilir. Yerel uygulamada aviaşirkət sözleşmeleri, mevsimsel turizm hareketleri, iç və dış hat uçuşları, rota değişiklikleri, depolama sınırları, gemi və ya kara yolu tedarik süreleri və operasyonel maliyetler birlikte modellenmelidir. Model farklı havalimanları və farklı yıllar üzerinde ileri-zaman testleriyle doğrulanmalı; tahmin hatalarının yanında gerçek demuraj maliyeti, stok yetersizliği olayı, hizmet seviyesi və elde tutma maliyeti ölçülmelidir. Tek bir yabancı dağıtıcının anonimleştirilmiş məlumatlerinden Türkiye’de yüzde 56 hata azalması, doğrudan maliyet tasarrufu və ya yakıt kesintilerinin önleneceği sonucu çıkarılamaz.

Araşdırma hansı sorunu ele almaktadır?

Havacılık yakıtı tedarikinde talep tahmin hatalarının iki farklı operasyonel sonucu bulunmaktadır. Talebin olduğundan yüksek tahmin edilmesi, depolama tanklarında yeterli boşluk oluşmadan yeni yakıt tədarük göndərişiının gelmesine və taşıma aracının beklemesine yol açabilir. Çalışma bu bekleme maliyetini demuraj riski olarak ele almaktadır. Talebin düşük tahmin edilmesi ise yanacaq çatışmazlığı, aviaşirkət operasyonlarının aksaması, sözleşme sorunları və itibar kaybıyla nəticəlanabilir.

Araşdırmacı, bu iki hatanın maliyetlerinin simetrik olmadığını belirtmektedir. Yakıt yetersizliğinin sonucu, fazla stok və ya demuraj maliyetinden daha ağır kabul edildiği üçün model yalnızca ortalama doğruluğu artırmaya değil, düşük tahmin riskini ayrıca kontrol etmeye tədqiqatktadır.

Çalışmanın hedeflediği ikinci sorun, havacılık yanacaq tələbinin sabit bir mevsimsel örüntü izlememesidir. Havayollarıyla yapılan yıllık ihalelerin kazanılması, kaybedilmesi və ya yenilenmesi dağıtıcının müşteri portföyünü değiştirebilmektedir. Bir dönemde geçerli olan mevsimsel talep profili, sonraki dönemdeki aviaşirkət və rota bileşimini tam olarak temsil etmeyebilir.

Hibrit modelin genel mimarisi

Çalışmanın 5. sayfasındaki Şekil 1, tahmin sürecini dört aşamada göstermektedir:

1. SARIMA ilə mevsimsel başlangıç tahmininin oluşturulması,
2. İhale, bazar payı və operasyon məlumatlerinden xüsusiyyət üretilmesi,
3. XGBoost ilə P10, P50 və P90 kvantil tahminlerinin hesaplanması,
4. Risk koşullarında insan mütəxəssis incelemesi və nihai tahminin oluşturulması.

Şeklin alt bölümünde model çıktılarının üç operasyonel soruya bağlandığı görülmektedir: Yakıtın ne zaman tükeneceği, tədarük göndərişi geldiğinde demuraj riski bulunup bulunmadığı və ne kadar təhlükəsizlik ehtiyatı gerektiği.

SARIMA başlangıç modeli necə tədqiqatktadır?

SARIMA, kısa dönemli otoregresif ilişkilerle yıllık mevsimsel yapıyı birlikte modellemek üçün kullanılmaktadır. Çalışmada genel model şu şekilde ifade edilmektedir:

\[ \Phi_P(B^s)\,\phi_p(B)\,(1-B)^d\,(1-B^s)^D y_t = \Theta_Q(B^s)\,\theta_q(B)\,\varepsilon_t \]

Burada \(B\) geriye kaydırma operatörünü, \(p\) və \(q\) mevsimsel olmayan otoregresif və hareketli ortalama derecelerini, \(P\) və \(Q\) mevsimsel dereceleri, \(d\) və \(D\) fark alma derecelerini göstermektedir. Aylık məlumatler üçün mevsim uzunluğu \(s=12\) olarak belirlenmiştir.

Serinin durağanlığını değerlendirmek üçün Genişləndirilmiş Dickey-Fuller testi kullanılmıştır. Model dereceleri, farklı parametre birleşimleri arasında Bayes İnformasiya Meyarınü en aza indiren yapı seçilerek belirlenmiştir:

\[ BIC=k\ln(n)-2\ln(\hat{L}) \]

\(k\) proqnozlaşdırılan parametre sayısını, \(n\) gözlem sayısını və \(\hat{L}\) en yüksek olabilirlik değerini ifade etmektedir. Çalışma, yalnızca 60 aylık məlumat bulunduğu üçün model karmaşıklığını daha güçlü biçimde cezalandıran BIC meyarünü tercih etmiştir.

SARIMA iki çıktı üretmektedir. Birincisi geçmiş mövsümsəllik və eğilimden türetilen başlangıç tahminidir. İkincisi gerçek talep ilə SARIMA tahmini arasındaki artık değerdir:

\[ r_t=y_t-\hat{y}^{SARIMA}_t \]

Bu artıkların; doğrusal mevsimselliğin açıklayamadığı ihale değişimleri, pazar yapısı, dış şoklar və doğrusal olmayan talep hareketlerini içerdiği kabul edilmektedir.

Hangi operasyonel xüsusiyyətlər kullanılmıştır?

Havayolu düzeyindeki günlük kayıtlar önce bu xüsusiyyətlərin hesaplanmasında kullanılmış, daha sonra aylık toplam talep düzeyine getirilmiştir. Bu səbəbdən modelin hedef değişkeni aylık toplam yanacaq tələbi olmakla birlikte bazı açıklayıcı değişkenler daha ayrıntılı aviaşirkət kayıtlarından üretilmiştir.

XGBoost, SARIMA tahminini necə geliştirmektedir?

XGBoost, çok sayıda karar ağacının ardışık biçimde birleştirildiği bir topluluk modelidir. Her yeni ağaç, önceki ağaçların açıklayamadığı hatayı azaltacak biçimde eğitilmektedir. Modelin genel tahmini:

\[ \hat{y}_i=\sum_{k=1}^{K}f_k(x_i) \]

şeklindedir. \(K\) ağaç sayısını, \(f_k\) ise k numaralı regresyon ağacını göstermektedir. Eğitim amacı tahmin kaybıyla ağaç karmaşıklığı cezasını birlikte en aza indirmektir:

\[ \mathcal{L}^{(t)} = \sum_{i=1}^{n} l\left(y_i,\hat{y}^{(t-1)}_i+f_t(x_i)\right) + \Omega(f_t) \]

Hibrit modelde XGBoost yalnızca SARIMA artıklarını tahmin etmemektedir. SARIMA başlangıç tahmini, gecikmeli artıklar və bütün operasyonel xüsusiyyətlərle birlikte doğrudan modele girdi olarak məlumatlmektedir:

\[ \hat{y}^{hybrid}_t = f_{XGB} \left( \hat{y}^{SARIMA}_t, r_{t-1}, x^{tender}_t, x^{market}_t, x^{ops}_t \right) \]

Bu yapı, XGBoost’un SARIMA tahminine ne ölçüde bağlı kalacağını və operasyonel xüsusiyyətləre göre ne kadar düzeltme yapacağını məlumatden öğrenmesine izin vermektedir.

Kantil regresyonu niyə kullanılmıştır?

Tek değerli bir tahmin, gelecekteki talebin belirsizliğini göstermez. Çalışmada üç ayrı XGBoost modeli, talebin yüzde 10, yüzde 50 və yüzde 90 kvantillerini tahmin etmek üzere eğitilmiştir. Kullanılan pinball itkisi:

\[ L_{\tau}(y,\hat{y}) = \tau\max(y-\hat{y},0) + (1-\tau)\max(\hat{y}-y,0) \]

şeklindedir. \(\tau\) seçilen kvantili göstermektedir. Bu kayıp fonksiyonunda düşük və yüksek tahminlerin cezaları kvantile göre farklılaşmaktadır.

P10 və P90, klasik anlamda sabit yüzde 90 güven garantileri değildir. Bunlar, məlumatden proqnozlaşdırılan koşullu talep kvantilleridir. İstenen kapsama oranının yeni dönemlerde korunması, modelin kalibrasyonuna və məlumat dağılımının değişmemesine bağlıdır.

Asimetrik operasyon maliyeti necə modele eklenmiştir?

Çalışma, yanacaq tələbini düşük tahmin etmenin maliyetini yüksek tahminden daha ağır kabul etmektedir. Bu səbəbdən pinball itkisina ek bir maliyet katsayısı uygulanmıştır:

\[ L_{asymmetric}(y,\hat{y}) = \begin{cases} \alpha L_{\tau}(y,\hat{y}), & y>\hat{y}\\ L_{\tau}(y,\hat{y}), & y\leq\hat{y} \end{cases} \]

\(\alpha>1\) olduğunda gerçekleşen talebin tahminden yüksek kaldığı dönemlere daha fazla ceza məlumatlmektedir. Araşdırmacı, katsayının yanacaq çatışmazlığınin tahmini maliyeti ilə demuraj maliyeti arasındaki orana göre ayarlandığını belirtmektedir. Ancaq kullanılan kesin \(\alpha\) değeri və maliyet hesaplaması raporlanmamıştır.

İnsan denetimi hansı durumlarda devreye girmektedir?

Çalışma, yüksek maliyetli yakıt planlamasının tamamen otomatik hâle getirilmesini önermemektedir. İnsan incelemesini başlatabilecek koşullar şunlardır:

• P90 ilə P10 arasındaki tahmin aralığının tarihsel değerlerden olağandışı ölçüde genişlemesi,
• Ani rota iptalleri və ya beklenmedik trafik artışları,
• Havayolu ihalesinin planlanmamış biçimde başlaması, sona ermesi və ya değişmesi,
• Jeopolitik gelişmeler niyəiyle uçuş rotalarının etkilenmesi,
• Pist kapanması və ya hava limanı tutum kısıtlaması,
• Geçmiş məlumatlerin mevcut operasyon koşullarını temsil etmediğinin değerlendirilmesi.

Uzman P10, P50 və P90 tahminleriyle risk uyarılarını birlikte inceleyebilmekte və gerekirse nihai tahmini değiştirebilmektedir. Müdahalenin gerekçesinin kaydedilmesi öngörülmüştür. Bununla belə tədqiqatda kaç tahminin değiştirildiği, uzman müdahalesinin hata oranını ne kadar etkilediği və ya uzmanlar arası tutarlılık ölçülmemiştir.

Çalışmadaki grafikler nə göstərir?

Hibrit sistem mimarisi

5. sayfadaki Şekil 1, geçmiş ikmal məlumatleri, aviaşirkət ihale bilgileri və pazar-operasyon değişkenlerinin SARIMA və xüsusiyyət mühendisliği katmanlarına aktarıldığını göstermektedir. P10, P50 və P90 XGBoost çıktıları insan denetiminden geçerek nihai tahmine dönüşmektedir.

Gerçek və proqnozlaşdırılan talep

12. sayfadaki Şekil 2, Haziran-Kasım 2025 dönemindeki normalize edilmiş yanacaq tələbini göstermektedir. Hibrit SARIMA-XGBoost çizgisi gerçek talebi büyük ölçüde yakından izlerken, tek başına SARIMA çizgisi bazı ani yükseliş və düşüşlerde daha belirgin sapmalar göstermektedir. Görsel yalnızca yaklaşık altı aylık örnek kesiti göstermekte, 24 aylık değerlendirme döneminin tamamını sunmamaktadır.

Modellerin hata karşılaştırması

13. sayfadaki Şekil 4’te manuel üsul yüzde 9, SARIMA yüzde 6,5, XGBoost yüzde 5,8 və hibrit model yüzde 4 hata düzeyinde gösterilmiştir. Manuel yaklaşımdan hibrit modele geçişteki göreli azalma:

\[ \frac{9{,}0-4{,}0}{9{,}0}\times100 \approx 55{,}6\% \]

olup tədqiqatda yuvarlanarak yüzde 56 şeklinde sunulmuştur. Bu oran yakıt tüketiminde və ya demuraj maliyetinde yüzde 56 azalma değil, araşdırmacının kullandığı tahmin hata meyaründeki göreli azalmadır.

Olasılıksal tahmin aralığı

14. sayfadaki Şekil 3, Haziran-Kasım 2025 dönemi üçün P10-P90 aralığını gölgeli bantla, P50 tahminini kesikli çizgiyle və gerçek talebi ayrı çizgiyle göstermektedir. Görselde gerçek talep değerleri çoğunlukla tahmin bandı içinde kalmaktadır. Ancaq bu grafik yalnızca seçilmiş altı aylık bir dönemi göstermektedir.

Özellik önem sıralaması

15. sayfadaki Şekil 5, SARIMA başlangıç tahminini 0,28 bağıl önem değeriyle modelin en etkili değişkeni olarak göstermektedir. Bunu 3 aylık hareketli tender həcmi, etkin ihale sayısı və aylık yakıt ikmal büyümesi izlemektedir.

Şekildeki değerler XGBoost bölünme kullanımına dayalı bağıl xüsusiyyət önemleridir. Bunlar niyəsel etkiyi göstermez və bir değişkendeki değişimin talebi belirli miktarda artırdığı və ya azalttığı şeklinde yorumlanamaz.

Çalışmanın desteklediği nəticələr nelerdir?

• SARIMA və XGBoost’un birlikte kullanılması, aynı məlumat və değerlendirme düzeninde her iki tekil modelden daha düşük ortalama tahmin hatası üretmiştir.
• Havayolu ihalesi və bazar payı xüsusiyyətlərinin eklenmesi, yalnızca tarihsel mevsimselliğe dayanan tahmini geliştirmiştir.
• P10-P90 aralığı, 24 aylık test döneminde bildirilen hedef kapsama oranına yakın nəticə vermiştir.
• Zaman sırasını koruyan geriyə yürüyən değerlendirme, rastgele eğitim-test ayırımına göre gerçek operasyon koşullarına daha yakın bir sınama sunmuştur.
• Hibrit yapı, tek değerli tahmin yerine farklı stok və tədarük göndərişi riskleri üçün ayrı talep ssenariları üretmiştir.

Çalışma neyi kanıtlamamaktadır?

• Modelin farklı havalimanlarında və ya farklı yanacaq distribütorularında aynı hata oranına ulaşacağını kanıtlamamaktadır.
• Demuraj maliyetinin və ya yanacaq çatışmazlığı olaylarının yüzde 56 azaldığını göstermemektedir.
• İnsan uzman müdahalesinin tahmin performansını artırdığını sayısal olarak göstermemektedir.
• P10-P90 aralığının bütün gelecek dönemlerde yüzde 80 kapsama sağlayacağını garanti etmemektedir.
• Modelin günlük və ya haftalık operasyonlarda aynı performansı göstereceğini kanıtlamamaktadır.
• Jeopolitik gelişmelerin etkisinin model tarafından otomatik və güvenilir biçimde ölçüldüğünü göstermemektedir.
• Hibrit modelin yeni sözleşme rejimleri və ya olağanüstü krizler karşısındaki dayanıklılığını bağımsız bir stres testiyle göstermemektedir.

Tədqiqatın metodu və nəticələri

Veri kümesinin yapısı

Günlük kayıtlardan on binlerce satır bulunduğu belirtilse de tahmin hedefi aylık düzeye toplandığı üçün modelin bağımsız zaman noktası sayısı 60’tır. XGBoost modeli her ileri tahmin adımında en fazla 36 ilə 59 aylık geçmiş üzerinden eğitilmiştir. Bu durum, çok sayıdaki xüsusiyyət və 300 ağaca sahip bir model üçün örneklem büyüklüğünün sınırlı olduğunu göstermektedir.

Değerlendirme tasarımı

Çalışma, geriyə yürüyən və ya walk-forward doğrulama kullanmıştır. İlk tahmin üçün ay 1-36 eğitimde kullanılmış və 37. ay tahmin edilmiştir. Sonraki adımda 37. ay da eğitime eklenerek 38. ay tahmin edilmiştir. Bu işlem 60. aya kadar sürdürülmüştür.

Bu üsul gelecekteki məlumatnin geçmiş tahminlere sızmasını önlemektedir. Ancaq aynı takvim dönemlerinden elde edilen 24 ardışık hata birbirinden tamamen bağımsız olmayabilir. Çalışmada zaman bağımlılığını koruyan blok bootstrap yerine aylık hataların tek tek yeniden örneklendiği standart bootstrap tarif edilmektedir.

XGBoost hiperparametreleri

Ana model karşılaştırması

Hibrit modelin raporlanan güven aralığı manuel yaklaşımın aralığıyla örtüşmemektedir. Çalışma bunu istatistiksel olarak anlamlı fark biçiminde yorumlamaktadır. Ancaq aralıkların örtüşmemesi, modeller arasındaki aylık eşleştirilmiş hata farklarını doğrudan sınayan bir test değildir. Aynı 24 ay üzerinde üretilen tahminler üçün eşleştirilmiş farkların və zaman bağımlılığının ayrıca analiz edilmesi daha güçlü kanıt sağlayacaktır.

“Tahmin varyansı” meyarünün anlamı

Çalışmada ana meyar aşağıdaki formülle tanımlanmıştır:

\[ \mathrm{Aylık\ Sapma}(\%) = \frac{|Gerçek-Tahmin|}{Gerçek}\times100 \]

Bu formül istatistiksel varyansın formülü değildir; tek bir dönem üçün mutlak yüzde hatadır. Dönemler üzerinden ortalaması alındığında MAPE’ye karşılık gelir. Tabloda “ortalama varyans” ilə MAPE değerlerinin yüzde 9,0-yüzde 9,1 və yüzde 4,0-yüzde 4,1 gibi birbirine yakın fakat aynı olmayan değerlerde məlumatlmesinin niyəi açıklanmamıştır.

Bu səbəbdən nəticələrın “varyans yüzde 9’dan yüzde 4’e düştü” yerine “ortalama mutlak yüzde tahmin sapması yaklaşık yüzde 9’dan yüzde 4’e düştü” şeklinde ifade edilmesi daha doğrudur.

Kantil kalibrasyon nəticələrı

Oranlar hedef değerlere yakın görünmektedir. Bununla belə test kümesi yalnızca 24 aydan oluştuğu üçün tek bir ay yaklaşık 4,17 yüzde puana karşılık gelmektedir. Yüzde 82 və yüzde 9 değerlerinin hansı kesin gözlem sayılarından və hansı yuvarlama üsuliyle elde edildiği belirtilmemiştir.

P10, P50 və P90 üçün ayrı XGBoost modelleri eğitilmiştir. Ayrı kvantil modellerinde bazen P10’un P50’den və ya P50’nin P90’dan yüksek çıkması olarak bilinen kvantil kesişmesi oluşabilir. Çalışmada kesişmeyi engelleyen ortak kayıp, sıralama kısıtı və ya sonradan düzeltme üsuli açıklanmamıştır.

Özellik önem değerleri

SARIMA tahmininin en yüksek önem değerine sahip olması, mevsimsel əsas yapının hibrit modelde korunmaya devam ettiğini göstermektedir. İhale değişkenlerinin toplam ağırlığı ise müşteri portföyündeki değişimlerin geçmiş mevsimselliğe ek bilgi sağladığını düşündürmektedir.

Operasyonel etki iddialarının sınırı

Çalışma, daha isabetli tahminlerin tədarük göndərişi zamanlamasını geliştirdiğini, demuraj maruziyetini azalttığını və P90 tabanlı təhlükəsizlik ehtiyatınun yanacaq çatışmazlığıni önlemeye yardımcı olduğunu belirtmektedir. Ancaq aşağıdaki operasyonel göstergeler raporlanmamıştır:

• Önceki və sonraki döneme ait toplam demuraj tutarı,
• Yakıt yetersizliği və ya hizmet kesintisi sayısı,
• Ortalama stok seviyesi və elde tutma maliyeti,
• Erken və ya gecikmiş tədarük göndərişi sayısı,
• İnsan müdahalesiyle değiştirilen tahmin sayısı,
• Model tahmininin doğrudan kullanıldığı istehsal dönemi.

Bu səbəbdən tədqiqat tahmin doğruluğunda iyileşme göstermekte, fakat doğrudan finansal tasarruf və ya hizmet güvenilirliği etkisini nicel olarak doğrulamamaktadır.

Başlıca məhdudiyyətlar

• Çalışma rəyçi qiymətləndirməsindən keçməmiş bir preprinttir.
• Yalnızca tek yanacaq distribütorusının və tek pazarın məlumatleri kullanılmıştır.
• Model eğitimi üçün yalnızca 60 aylık zaman noktası bulunmaktadır.
• Test dönemi 24 ayla sınırlıdır.
• Şirket, hava limanı və gerçek talep değerleri anonimleştirilmiştir.
• Ham məlumat və uygulama kodu paylaşılmamıştır.
• Model nəticələrı bağımsız bir araşdırma grubu tarafından yeniden üretilmemiştir.
• “Tahmin varyansı” olarak adlandırılan meyar gerçekte mutlak yüzde hatadır.
• Bootstrap yaklaşımında aylık zaman bağımlılığının necə ele alındığı açıklanmamıştır.
• P10, P50 və P90 modelleri arasında kvantil kesişmesi kontrolü bildirilmemiştir.
• Asimetrik maliyet katsayısının değeri və maliyet kalibrasyonu məlumatlmemiştir.
• Uzman müdahalesinin performansı ayrı bir təcrübəle ölçülmemiştir.
• Demuraj və yanacaq çatışmazlığı üzerindeki gerçek finansal etki sayısallaştırılmamıştır.
• Model yalnızca aylık tahmin üretmektedir; günlük və haftalık uygulanabilirlik gösterilmemiştir.

Gelecekte yapılması gereken doğrulamalar

Model, birden fazla yanacaq distribütorusı və farklı büyüklükteki havalimanları üzerinde dış doğrulamaya tabi tutulmalıdır. Eğitim bir dönemde və bir hava limanında yapılıp test farklı bir hava limanında gerçekleştirilerek coğrafi və operasyonel genellenebilirlik ölçülmelidir.

Aylık tahminin yanında haftalık və günlük tahminler incelenmeli; artan məlumat sıklığının gürültü, eksik məlumat və hesaplama maliyeti üzerindeki etkileri raporlanmalıdır. Uçuş takip məlumatleri, hava durumu və güncel rota bilgileri ancak ileriye dönük tahmin anında gerçekten erişilebilir olacak biçimde kullanılmalıdır.

Olasılık aralıkları daha uzun test dönemlerinde değerlendirilmeli; kvantil kesişmesini önleyen üsuller və sonlu örneklem kapsama garantisi sağlayabilen kalibrasyon yaklaşımları karşılaştırılmalıdır. Tahmin doğruluğu, gerçek stok politikasıyla birlikte sınanmalı və demuraj, stok yetersizliği, elde tutma maliyeti və hizmet düzeyi tek bir ekonomik değerlendirmede birleştirilmelidir.

Mənbə və metod qeydi

Bu tədqiqat rəyçi qiymətləndirməsindən keçməmiş bir SSRN preprintidir. DOI, SSRN tədqiqat kaydını tanımlamakta olup hakemli bir dergi makalesine ait DOI şeklinde sunulmamalıdır.

Bu Verianla makalesinin bilimsel içeriği yalnızca yüklenen tədqiqatya dayanarak hazırlanmıştır. Dış kaynaklar yalnızca başlık, yazar, SSRN kayıt numarası, DOI, sayfa sayısı, yüklenme tarihi və resmî bağlantı gibi bibliyografik kimlik bilgilerinin doğrulanması amacıyla kullanılmıştır. Çalışmada bulunmayan dış təcrübə nəticələrı makaleye eklenmemiştir.

Araşdırmanın en güçlü yönleri, zaman sırasını koruyan geriyə yürüyən değerlendirme kullanması, manuel üsul ilə tekil və hibrit modelleri aynı dönemlerde karşılaştırması və nokta tahminine ek olarak kvantil tahminleri üretmesidir.

En önemli yorum sınırları ise 60 aylık küçük məlumat dəsti, tek dağıtıcıya dayalı değerlendirme, məlumat və kodun erişilebilir olmaması, ana hata meyarünün yanlış biçimde “varyans” olarak adlandırılması və operasyonel maliyet etkilerinin doğrudan ölçülmemesidir. Bildirilen yüzde 56 iyileşme yalnızca manuel yaklaşımın yüzde 9’luk orta mütləq faiz sapmasısıyla hibrit modelin yüzde 4’lük sapması arasındaki göreli farktır.

Model çıktıları tek başına yakıt siparişi və ya tədarük göndərişi kararının otomatik olarak uygulanması üçün yeterli kanıt oluşturmaz. Depolama tutumsi, tedarik süresi, sözleşme yükümlülükleri, güncel uçuş hareketleri və insan mütəxəssis değerlendirmesiyle birlikte kullanılmalıdır.