Бул изилдөө, havalimanlarında faaliyet gösteren күйүүчү май дистрибьюторуlarının aylık күйүүчү майга суроо-талапni tahmin etmek жана жеткирүү менен stok kararlarını belirsizlik altında desteklemek amacıyla SARIMA жана XGBoost модельlerini birleştiren hibrit bir çerçeve önermektedir. SARIMA модельi geçmiş talepteki doğrusal eğilimleri жана yıllık mevsimselliği temsil eden bir başlangıç tahmini üretmekte; XGBoost ise bu tahmini, авиакомпания ihale hacimleri, активдүү келишим sayısı, рынок үлүшү değişimleri, маршрут кыймылдуулугу жана önceki tahmin artıklarından oluşan operasyonel өзгөчөлүктөрle düzeltmektedir.

Sistem yalnızca tek bir talep değeri üretmemekte; P10, P50 жана P90 квантильlerini tahmin ederek olası talep aralığını göstermektedir. P50 merkezi planlama tahmini, P90 yüksek talep жана күйүүчү май жетишсиздиги riski үчүн üst sınır, P10 ise düşük talep жана depolama-демерраж riski үчүн alt sınır olarak kullanılmaktadır. Model tahmin aralığının olağandışı genişlemesi, ani rota iptalleri, авиакомпания sözleşme değişiklikleri же jeopolitik gelişmeler gibi durumlarda адам адис müdahalesi öngörülmektedir.

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

P10-P90 aralığının beklenen kapsama oranı yüzde 80 iken gözlenen kapsama oranı yüzde 82 olarak маалыматlmiştir. Gerçek talebin P10’un altında жана P90’ın üzerinde kaldığı dönemlerin her biri yaklaşık yüzde 9 olarak raporlanmıştır. Бирок bu натыйжалар yalnızca 24 aylık test dönemi üzerinden hesaplanmıştır жана kesin olay sayıları belirtilmemiştir. Ошондуктан olasılık aralıklarının farklı havalimanlarında же daha uzun dönemlerde aynı kalibrasyonu koruyacağı gösterilmemiştir.

Түркия жагынан баалоо: Çerçeve, Türkiye’de havalimanlarına yakıt sağlayan işletmelerin aylık жеткирүү, depolama кубаттуулукsi жана коопсуздук запасы planlamalarında изилдөө модельi olarak uygulanabilir. Yerel uygulamada авиакомпания sözleşmeleri, mevsimsel turizm hareketleri, iç жана dış hat uçuşları, rota değişiklikleri, depolama sınırları, gemi же kara yolu tedarik süreleri жана operasyonel maliyetler birlikte модельlenmelidir. Model farklı havalimanları жана farklı yıllar üzerinde ileri-zaman testleriyle doğrulanmalı; tahmin hatalarının yanında gerçek демерраж maliyeti, stok yetersizliği olayı, hizmet seviyesi жана elde tutma maliyeti ölçülmelidir. Tek bir yabancı dağıtıcının anonimleştirilmiş маалыматlerinden Türkiye’de yüzde 56 hata azalması, doğrudan maliyet tasarrufu же yakıt kesintilerinin önleneceği sonucu çıkarılamaz.

Изилдөө кайсы 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 жеткирүүının gelmesine жана taşıma aracının beklemesine yol açabilir. Çalışma bu bekleme maliyetini демерраж riski olarak ele almaktadır. Talebin düşük tahmin edilmesi ise күйүүчү май жетишсиздиги, авиакомпания operasyonlarının aksaması, sözleşme sorunları жана itibar kaybıyla натыйжаlanabilir.

Изилдөөcı, bu iki hatanın maliyetlerinin simetrik olmadığını belirtmektedir. Yakıt yetersizliğinin sonucu, fazla stok же демерраж maliyetinden daha ağır kabul edildiği үчүн модель yalnızca ortalama doğruluğu artırmaya değil, düşük tahmin riskini ayrıca kontrol etmeye изилдөөktadır.

Çalışmanın hedeflediği ikinci sorun, havacılık күйүүчү майга суроо-талапnin sabit bir mevsimsel örüntü izlememesidir. Havayollarıyla yapılan yıllık ihalelerin kazanılması, kaybedilmesi же yenilenmesi dağıtıcının müşteri portföyünü değiştirebilmektedir. Bir dönemde geçerli olan mevsimsel talep profili, sonraki dönemdeki авиакомпания жана rota bileşimini tam olarak temsil etmeyebilir.

Hibrit модельin genel mimarisi

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

1. SARIMA менен mevsimsel başlangıç tahmininin oluşturulması,
2. İhale, рынок үлүшү жана operasyon маалыматlerinden өзгөчөлүк üretilmesi,
3. XGBoost менен P10, P50 жана P90 квантиль tahminlerinin hesaplanması,
4. Risk koşullarında адам адис incelemesi жана nihai tahminin oluşturulması.

Şeklin alt bölümünde модель çıktılarının üç operasyonel soruya bağlandığı görülmektedir: Yakıtın ne zaman tükeneceği, жеткирүү geldiğinde демерраж riski bulunup bulunmadığı жана ne kadar коопсуздук запасы gerektiği.

SARIMA başlangıç модельi кантип изилдөөktadır?

SARIMA, kısa dönemli otoregresif ilişkilerle yıllık mevsimsel yapıyı birlikte модельlemek үчүн kullanılmaktadır. Çalışmada genel модель 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, \(p\) жана \(q\) mevsimsel olmayan otoregresif жана hareketli ortalama derecelerini, \(P\) жана \(Q\) mevsimsel dereceleri, \(d\) жана \(D\) fark alma derecelerini göstermektedir. Aylık маалыматler үчүн mevsim uzunluğu \(s=12\) olarak belirlenmiştir.

Serinin durağanlığını değerlendirmek үчүн Кеңейтилген Dickey-Fuller testi kullanılmıştır. Model dereceleri, farklı parametre birleşimleri arasında Bayes маалымат критерийиnü en aza indiren yapı seçilerek belirlenmiştir:

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

\(k\) болжолдонгон parametre sayısını, \(n\) gözlem sayısını жана \(\hat{L}\) en yüksek olabilirlik değerini ifade etmektedir. Çalışma, yalnızca 60 aylık маалымат bulunduğu үчүн модель karmaşıklığını daha güçlü biçimde cezalandıran BIC көрсөткүчünü tercih etmiştir.

SARIMA iki çıktı üretmektedir. Birincisi geçmiş сезондуулук жана eğilimden türetilen başlangıç tahminidir. İkincisi gerçek talep менен SARIMA tahmini arasındaki artık değerdir:

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

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

Hangi operasyonel өзгөчөлүктөр kullanılmıştır?

Havayolu düzeyindeki günlük kayıtlar önce bu өзгөчөлүктөрin hesaplanmasında kullanılmış, daha sonra aylık toplam talep düzeyine getirilmiştir. Ошондуктан модельin hedef değişkeni aylık toplam күйүүчү майга суроо-талап olmakla birlikte bazı açıklayıcı değişkenler daha ayrıntılı авиакомпания kayıtlarından üretilmiştir.

XGBoost, SARIMA tahminini кантип geliştirmektedir?

XGBoost, çok sayıda karar ağacının ardışık biçimde birleştirildiği bir topluluk модельidir. 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 модельde XGBoost yalnızca SARIMA artıklarını tahmin etmemektedir. SARIMA başlangıç tahmini, gecikmeli artıklar жана bütün operasyonel өзгөчөлүктөрle birlikte doğrudan модельe girdi olarak маалыматlmektedir:

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

Bu yapı, XGBoost’un SARIMA tahminine ne ölçüde bağlı kalacağını жана operasyonel өзгөчөлүктөрe göre ne kadar düzeltme yapacağını маалыматden öğrenmesine izin vermektedir.

Kantil regresyonu эмне үчүн kullanılmıştır?

Tek değerli bir tahmin, gelecekteki talebin belirsizliğini göstermez. Çalışmada üç ayrı XGBoost модельi, talebin yüzde 10, yüzde 50 жана yüzde 90 квантильlerini tahmin etmek üzere eğitilmiştir. Kullanılan pinball жоготуусу:

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

şeklindedir. \(\tau\) seçilen квантильi göstermektedir. Bu kayıp fonksiyonunda düşük жана yüksek tahminlerin cezaları квантильe göre farklılaşmaktadır.

P10 жана P90, klasik anlamda sabit yüzde 90 güven garantileri değildir. Bunlar, маалыматden болжолдонгон koşullu talep квантильleridir. İstenen kapsama oranının yeni dönemlerde korunması, модельin kalibrasyonuna жана маалымат dağılımının değişmemesine bağlıdır.

Asimetrik operasyon maliyeti кантип модельe eklenmiştir?

Çalışma, күйүүчү майга суроо-талапni düşük tahmin etmenin maliyetini yüksek tahminden daha ağır kabul etmektedir. Ошондуктан pinball жоготуусуna 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 маалыматlmektedir. Изилдөөcı, katsayının күйүүчү май жетишсиздигиnin tahmini maliyeti менен демерраж maliyeti arasındaki orana göre ayarlandığını belirtmektedir. Бирок kullanılan kesin \(\alpha\) değeri жана maliyet hesaplaması raporlanmamıştır.

İnsan denetimi кайсы durumlarda devreye girmektedir?

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

• P90 менен P10 arasındaki tahmin aralığının tarihsel değerlerden olağandışı ölçüde genişlemesi,
• Ani rota iptalleri же beklenmedik trafik artışları,
• Havayolu ihalesinin planlanmamış biçimde başlaması, sona ermesi же değişmesi,
• Jeopolitik gelişmeler эмне үчүнiyle uçuş rotalarının etkilenmesi,
• Pist kapanması же аэропорт кубаттуулук kısıtlaması,
• Geçmiş маалыматlerin mevcut operasyon koşullarını temsil etmediğinin değerlendirilmesi.

Uzman P10, P50 жана P90 tahminleriyle risk uyarılarını birlikte inceleyebilmekte жана gerekirse nihai tahmini değiştirebilmektedir. Müdahalenin gerekçesinin kaydedilmesi öngörülmüştür. Муну менен бирге изилдөөda kaç tahminin değiştirildiği, uzman müdahalesinin hata oranını ne kadar etkilediği же uzmanlar arası tutarlılık ölçülmemiştir.

Çalışmadaki grafikler эмнени көрсөтөт?

Hibrit sistem mimarisi

5. sayfadaki Şekil 1, geçmiş ikmal маалыматleri, авиакомпания ihale bilgileri жана pazar-operasyon değişkenlerinin SARIMA жана өзгөчөлүк mühendisliği katmanlarına aktarıldığını göstermektedir. P10, P50 жана P90 XGBoost çıktıları insan denetiminden geçerek nihai tahmine dönüşmektedir.

Gerçek жана болжолдонгон talep

12. sayfadaki Şekil 2, Haziran-Kasım 2025 dönemindeki normalize edilmiş күйүүчү майга суроо-талапni göstermektedir. Hibrit SARIMA-XGBoost çizgisi gerçek talebi büyük ölçüde yakından izlerken, tek başına SARIMA çizgisi bazı ani yükseliş жана 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 ыкма yüzde 9, SARIMA yüzde 6,5, XGBoost yüzde 5,8 жана hibrit модель yüzde 4 hata düzeyinde gösterilmiştir. Manuel yaklaşımdan hibrit модельe geçişteki göreli azalma:

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

olup изилдөөda yuvarlanarak yüzde 56 şeklinde sunulmuştur. Bu oran yakıt tüketiminde же демерраж maliyetinde yüzde 56 azalma değil, изилдөөcının kullandığı tahmin hata көрсөткүчündeki göreli azalmadır.

Olasılıksal tahmin aralığı

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

Özellik önem sıralaması

15. sayfadaki Şekil 5, SARIMA başlangıç tahminini 0,28 bağıl önem değeriyle модельin en etkili değişkeni olarak göstermektedir. Bunu 3 aylık hareketli тендер көлөмү, etkin ihale sayısı жана aylık yakıt ikmal büyümesi izlemektedir.

Şekildeki değerler XGBoost bölünme kullanımına dayalı bağıl өзгөчөлүк önemleridir. Bunlar эмне үчүнsel etkiyi göstermez жана bir değişkendeki değişimin talebi belirli miktarda artırdığı же azalttığı şeklinde yorumlanamaz.

Çalışmanın desteklediği натыйжалар nelerdir?

• SARIMA жана XGBoost’un birlikte kullanılması, aynı маалымат жана değerlendirme düzeninde her iki tekil модельden daha düşük ortalama tahmin hatası üretmiştir.
• Havayolu ihalesi жана рынок үлүшү өзгөчөлүктөрinin eklenmesi, yalnızca tarihsel mevsimselliğe dayanan tahmini geliştirmiştir.
• P10-P90 aralığı, 24 aylık test döneminde bildirilen hedef kapsama oranına yakın натыйжа vermiştir.
• Zaman sırasını koruyan артка жүрүүчү değerlendirme, rastgele eğitim-test ayırımına göre gerçek operasyon koşullarına daha yakın bir sınama sunmuştur.
• Hibrit yapı, tek değerli tahmin yerine farklı stok жана жеткирүү riskleri үчүн ayrı talep сценарийları üretmiştir.

Çalışma neyi kanıtlamamaktadır?

• Modelin farklı havalimanlarında же farklı күйүүчү май дистрибьюторуlarında aynı hata oranına ulaşacağını kanıtlamamaktadır.
• Demuraj maliyetinin же күйүүчү май жетишсиздиги 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 же haftalık operasyonlarda aynı performansı göstereceğini kanıtlamamaktadır.
• Jeopolitik gelişmelerin etkisinin модель tarafından otomatik жана güvenilir biçimde ölçüldüğünü göstermemektedir.
• Hibrit модельin yeni sözleşme rejimleri же olağanüstü krizler karşısındaki dayanıklılığını bağımsız bir stres testiyle göstermemektedir.

Изилдөөнүн методу жана натыйжалары

Veri kümesinin yapısı

Günlük kayıtlardan on binlerce satır bulunduğu belirtilse de tahmin hedefi aylık düzeye toplandığı үчүн модельin bağımsız zaman noktası sayısı 60’tır. XGBoost модельi her ileri tahmin adımında en fazla 36 менен 59 aylık geçmiş üzerinden eğitilmiştir. Bu durum, çok sayıdaki өзгөчөлүк жана 300 ağaca sahip bir модель үчүн örneklem büyüklüğünün sınırlı olduğunu göstermektedir.

Değerlendirme tasarımı

Çalışma, артка жүрүүчү же walk-forward doğrulama kullanmıştır. İlk tahmin үчүн ay 1-36 eğitimde kullanılmış жана 37. ay tahmin edilmiştir. Sonraki adımda 37. ay da eğitime eklenerek 38. ay tahmin edilmiştir. Bu işlem 60. aya kadar sürdürülmüştür.

Bu ыкма gelecekteki маалыматnin geçmiş tahminlere sızmasını önlemektedir. Бирок 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 модель karşılaştırması

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

“Tahmin varyansı” көрсөткүчünün anlamı

Çalışmada ana көрсөткүч aşağıdaki formülle tanımlanmıştır:

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

Bu formül istatistiksel varyansın formülü değildir; tek bir dönem үчүн mutlak yüzde hatadır. Dönemler üzerinden ortalaması alındığında MAPE’ye karşılık gelir. Tabloda “ortalama varyans” менен MAPE değerlerinin yüzde 9,0-yüzde 9,1 жана yüzde 4,0-yüzde 4,1 gibi birbirine yakın fakat aynı olmayan değerlerde маалыматlmesinin эмне үчүнi açıklanmamıştır.

Ошондуктан натыйжаларın “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 натыйжаларı

Oranlar hedef değerlere yakın görünmektedir. Муну менен бирге test kümesi yalnızca 24 aydan oluştuğu үчүн tek bir ay yaklaşık 4,17 yüzde puana karşılık gelmektedir. Yüzde 82 жана yüzde 9 değerlerinin кайсы kesin gözlem sayılarından жана кайсы yuvarlama ыкмаiyle elde edildiği belirtilmemiştir.

P10, P50 жана P90 үчүн ayrı XGBoost модельleri eğitilmiştir. Ayrı квантиль модельlerinde bazen P10’un P50’den же P50’nin P90’dan yüksek çıkması olarak bilinen квантиль kesişmesi oluşabilir. Çalışmada kesişmeyi engelleyen ortak kayıp, sıralama kısıtı же sonradan düzeltme ыкмаi açıklanmamıştır.

Özellik önem değerleri

SARIMA tahmininin en yüksek önem değerine sahip olması, mevsimsel негизги yapının hibrit модельde 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 жеткирүү zamanlamasını geliştirdiğini, демерраж maruziyetini azalttığını жана P90 tabanlı коопсуздук запасыnun күйүүчү май жетишсиздигиni önlemeye yardımcı olduğunu belirtmektedir. Бирок aşağıdaki operasyonel göstergeler raporlanmamıştır:

• Önceki жана sonraki döneme ait toplam демерраж tutarı,
• Yakıt yetersizliği же hizmet kesintisi sayısı,
• Ortalama stok seviyesi жана elde tutma maliyeti,
• Erken же gecikmiş жеткирүү sayısı,
• İnsan müdahalesiyle değiştirilen tahmin sayısı,
• Model tahmininin doğrudan kullanıldığı өндүрүш dönemi.

Ошондуктан изилдөө tahmin doğruluğunda iyileşme göstermekte, fakat doğrudan finansal tasarruf же hizmet güvenilirliği etkisini nicel olarak doğrulamamaktadır.

Başlıca чектөөlar

• Çalışma рецензиядан өтпөгөн bir preprinttir.
• Yalnızca tek күйүүчү май дистрибьюторуsının жана tek pazarın маалыматleri kullanılmıştır.
• Model eğitimi үчүн yalnızca 60 aylık zaman noktası bulunmaktadır.
• Test dönemi 24 ayla sınırlıdır.
• Şirket, аэропорт жана gerçek talep değerleri anonimleştirilmiştir.
• Ham маалымат жана uygulama kodu paylaşılmamıştır.
• Model натыйжаларı bağımsız bir изилдөө grubu tarafından yeniden üretilmemiştir.
• “Tahmin varyansı” olarak adlandırılan көрсөткүч gerçekte mutlak yüzde hatadır.
• Bootstrap yaklaşımında aylık zaman bağımlılığının кантип ele alındığı açıklanmamıştır.
• P10, P50 жана P90 модельleri arasında квантиль kesişmesi kontrolü bildirilmemiştir.
• Asimetrik maliyet katsayısının değeri жана maliyet kalibrasyonu маалыматlmemiştir.
• Uzman müdahalesinin performansı ayrı bir тажрыйбаle ölçülmemiştir.
• Demuraj жана күйүүчү май жетишсиздиги üzerindeki gerçek finansal etki sayısallaştırılmamıştır.
• Model yalnızca aylık tahmin üretmektedir; günlük жана haftalık uygulanabilirlik gösterilmemiştir.

Gelecekte yapılması gereken doğrulamalar

Model, birden fazla күйүүчү май дистрибьюторуsı жана farklı büyüklükteki havalimanları üzerinde dış doğrulamaya tabi tutulmalıdır. Eğitim bir dönemde жана bir аэропортnda yapılıp test farklı bir аэропортnda gerçekleştirilerek coğrafi жана operasyonel genellenebilirlik ölçülmelidir.

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

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

Булак жана метод эскертүүсү

Бул изилдөө рецензиядан өтпөгөн bir SSRN preprintidir. DOI, SSRN изилдөө kaydını tanımlamakta olup hakemli bir dergi makalesine ait DOI şeklinde sunulmamalıdır.

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

Изилдөөnın en güçlü yönleri, zaman sırasını koruyan артка жүрүүчү değerlendirme kullanması, manuel ыкма менен tekil жана hibrit модельleri aynı dönemlerde karşılaştırması жана nokta tahminine ek olarak квантиль tahminleri üretmesidir.

En önemli yorum sınırları ise 60 aylık küçük маалымат топтому, tek dağıtıcıya dayalı değerlendirme, маалымат жана kodun erişilebilir olmaması, ana hata көрсөткүчünün yanlış biçimde “varyans” olarak adlandırılması жана operasyonel maliyet etkilerinin doğrudan ölçülmemesidir. Bildirilen yüzde 56 iyileşme yalnızca manuel yaklaşımın yüzde 9’luk орточо абсолюттук пайыздык четтөөsıyla hibrit модельin yüzde 4’lük sapması arasındaki göreli farktır.

Model çıktıları tek başına yakıt siparişi же жеткирүү kararının otomatik olarak uygulanması үчүн yeterli kanıt oluşturmaz. Depolama кубаттуулукsi, tedarik süresi, sözleşme yükümlülükleri, güncel uçuş hareketleri жана адам адис değerlendirmesiyle birlikte kullanılmalıdır.