Tüm yazılar
AI & Veri 13 Nisan 2026 9 dk
Makine Öğrenmesi ile Talep Tahmini: XGBoost, LightGBM ve Hibrit Modeller
ARIMA artık tek başına yeterli değil. Etkinlik, hava ve rakip fiyat gibi dış değişkenlerin ağırlıklandırılabileceği bir model olmadan modern forecasting eksik kalır.
Wholebeds Revenue Editörü
Revenue Strategy & Distribution Director
Klasik zaman serisi modelleri (ARIMA, Holt-Winters) hâlâ değerlidir; ama dış değişkenleri içerecek esneklikten yoksundur. XGBoost ve LightGBM gibi gradient boosting modelleri burada öne çıkar.
Önemli Feature'lar
- Tarihsel doluluk + ADR (lag 7, 14, 28, 365).
- Pickup hızı (1g, 7g, 14g, 30g).
- Etkinlik takvimi (kongre, konser, spor).
- Hava tahmini (sıcaklık, yağış, deniz suyu sıcaklığı).
- Rakip BAR + arama trendleri (Google Trends).
- Makro: USD/EUR, uçuş arzı, vize politikası.
Hibrit Yaklaşım
En sağlam model: klasik (SARIMA) + ML residual learner. SARIMA temel sezonsallığı yakalar; XGBoost klasik modelin atladığı dış sinyalleri öğrenir. Saha sonucumuz: tek model XGBoost'a göre MAPE'de 1.5–2.5 puan iyileşme.
#ML#Forecasting#XGBoost