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
Номер
Розділ
Ліцензія
Authors who publish with this journal agree to the following terms:
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
