Довгострокове прогнозування попиту: використання ансамблю нейромереж для підвищення точності
DOI:
https://doi.org/10.18372/1990-5548.77.18002Ключові слова:
глибоке навчання, ансамблевий метод, довгострокове прогнозування, прогнозування попиту, нейронні мережі, багатошаровий персептронАнотація
У статті пропонується метод довгострокового прогнозування попиту на основі ансамблю нейронних мереж, який враховує новизну даних. Було розроблено інструмент для створення ансамблю, який використовує техніку пакетування, а також модифікацію, яка дозволяє враховувати релевантність і новизну даних під час створення навчальних зразків для кожної моделі в ансамблі. У дослідженні розглянуто та порівняно розроблену методику з відомими підходами до довгострокового прогнозування попиту. Експериментальні результати показали, що запропонований підхід дозволяє отримати більш точні та надійні прогнози попиту порівняно з існуючими методами. Результати підкреслюють важливість даних у процесі прогнозування попиту та вказують на потенціал запропонованого методу для остаточного покращення стратегій управління запасами та планування продукції.
Посилання
K. Aaltonen, “Project stakeholder analysis as an environmental interpretation process”, International Journal of Project Management, vol. 29, no. 2, pp. 165–183, Feb. 2011 [Online]. Available: https://doi.org/10.1016/j.ijproman.2010.02.001
G. Perin, Ł. Chmielewski, and S. Picek, “Strength in numbers: Improving generalization with ensembles in machine learning-based profiled side-channel analysis”, IACR Transactions on Cryptographic Hardware and Embedded Systems, pp. 337–364, Aug. 2020. [Online]. Available: https://doi.org/10.46586/tches.v2020.i4.337-364
P. Flach, “Model ensembles”, in Machine Learning. Cambridge: Cambridge Univ. Press, pp. 330–342. [Online]. Available: https://doi.org/10.1017/cbo9780511973000.013
G. M. Jenkins, G. C. Reinsel, and G. E. Box, Time Series Analysis: Forecasting & Control. Pearson Educ. Asia Limited, 2005.
E. S. Gardner, “Exponential smoothing: The state of the art—Part II”, International Journal of Forecasting, vol. 22, no. 4, pp. 637–666, Oct. 2006. [Online]. Available: https://doi.org/10.1016/j.ijforecast.2006.03.005
H. F. E. Jr, Regression Modeling Strategies: With Applications to Linear Models, Logistic and Ordinal Regression, and Survival Analysis. Springer London, Ltd., 2015.
R. Xu and D. WunschII, “Survey of clustering algorithms”, IEEE Transactions on Neural Networks, vol. 16, no. 3, pp. 645–678, May 2005. [Online]. Available: https://doi.org/10.1109/tnn.2005.845141
S. Makridakis, E. Spiliotis, and V. Assimakopoulos, “Statistical and Machine Learning forecasting methods: Concerns and ways forward”, Plos One, vol. 13, no. 3, Mar. 2018, Art. no. e0194889. [Online]. Available: https://doi.org/10.1371/journal.pone.0194889
G. Lai, W.-C. Chang, Y. Yang, and H. Liu, “Modeling long- and short-term temporal patterns with deep neural networks”, in SIGIR '18: The 41st International ACM SIGIR Conference on Research and Development in Information Retrieval, Ann Arbor MI USA. New York, NY, USA: ACM, 2018. [Online]. Available: https://doi.org/10.1145/3209978.3210006
G. P. Zhang and M. Qi, “Neural network forecasting for seasonal and trend time series”, European Journal of Operational Research, vol. 160, no. 2, pp. 501–514, Jan. 2005. [Online]. Available: https://doi.org/10.1016/j.ejor.2003.08.037
Z.-H. Zhou, “Ensemble learning”, in Machine Learning. Singapore: Springer Singap., 2021, pp. 181–210. [Online]. Available: https://doi.org/10.1007/978-981-15-1967-3_8
F. Petropoulos, R. J. Hyndman, and C. Bergmeir, “Exploring the sources of uncertainty: Why does bagging for time series forecasting work?”, European Journal of Operational Research, vol. 268, no. 2, pp. 545–554, Jul. 2018. [Online]. Available: https://doi.org/10.1016/j.ejor.2018.01.045
S. Touzani, J. Granderson, and S. Fernandes, “Gradient boosting machine for modeling the energy consumption of commercial buildings”, Energy and Buildings, vol. 158, pp. 1533–1543, Jan. 2018. [Online]. Available: https://doi.org/10.1016/j.enbuild.2017.11.039
“Ensemble learning”, in Machine Learning Fundamentals. Cambridge Univ. Press, 2021, pp. 203–218. [Online]. Available: https://doi.org/10.1017/9781108938051.012
X. Wang, Y. Kang, F. Petropoulos, and F. Li, “The uncertainty estimation of feature-based forecast combinations”, J. of the Operational Research Society, pp. 1–15, Mar. 2021. [Online]. Available: https://doi.org/10.1080/01605682.2021.1880297
J. Ding, Z. Chen, L. Xiaolong, and B. Lai, “Sales forecasting based on catboost”, in 2020 2nd International Conference on Information Technology and Computer Application (ITCA), Guangzhou, China, Dec. 18–20, 2020. IEEE, 2020. [Online]. Available: https://doi.org/10.1109/itca52113.2020.00138
R. J. Hyndman and G. Athanasopoulos, Forecasting: Principles and Practice. OTexts, 2021.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Автори, які публікуються в цьому журналі, погоджуються з наступними умовами:
Автори зберігають авторські права та надають журналу право першої публікації роботи, одночасно ліцензованої за ліцензією Creative Commons Attribution License, яка дозволяє іншим поширювати роботу з посиланням на авторство роботи та її першу публікацію в цьому журналі.
Автори можуть укладати окремі додаткові договірні угоди щодо неексклюзивного розповсюдження опублікованої в журналі версії роботи (наприклад, розміщувати її в інституційному репозиторії або публікувати в книзі) з посиланням на її першу публікацію в цьому журналі.
Авторам дозволяється та заохочується розміщувати свої роботи онлайн (наприклад, в інституційних репозиторіях або на своєму вебсайті) до та під час процесу подання, оскільки це може призвести до продуктивного обміну, а також до більш раннього та більшого цитування опублікованих робіт (див. Вплив відкритого доступу).
