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.
Murat Bayram
Revenue Strategy & Distribution Director, Wholebeds
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