| Abstract |
Šajā maģistra darbā tiks pētīta laika rindas analīzes un mašīnmācīšanās modeļu izmantošana, lai noteiktu pieprasījuma svārstības noliktavas vadībā. Mazumtirdzniecības vidē optimāla precizitātes līmeņa sasniegšana pieprasījuma prognozēšanā ir būtiska, lai samazinātu loģistikas izmaksas, kas saistītas ar krājumu pārvaldību, optimizētu pakalpojumu līmeni un maksimizētu ieņēmumus, kas attiecīgi ir uzņēmuma pirmie, otrie un trešie mērķi. Šī iemesla dēļ precīza pieprasījuma prognozēšana vienmēr ir bijusi viena no lielākajām problēmām uzņēmējdarbības vadībā. Agrāk šo problēmu risināšanai bieži tika izmantotas vienkāršas statistiskās metodes, īpaši laika rindu modelis, kas pazīstams kā Autoregresīvs integrētais slīdošais vidējais (ARIMA).
Tomēr mūsdienās modernu mašīnmācīšanās algoritmu, piemēram, Random Forests, izstrāde ir pierādījusi augstāku precizitāti, kā arī paaugstinātu elastības līmeni, lai identificētu sarežģītus raksturlielumus, piemēram, tos, kas raksturo pieprasījuma attīstību. Pētījums sākas ar plašu literatūras apskatu par pieprasījuma prognozēšanu un krājumu vadību un to lomu piegādes ķēdes optimizācijā. Tas izceļ precīzu prognožu nozīmi stratēģisku lēmumu pieņemšanā, tostarp neregulāra pieprasījuma specifiku un ar to saistītajiem izaicinājumiem. Pēc tam tiek pielietots ARIMA modelis, lai identificētu un analizētu jebkuras laika gaitas raksturlielumus un sezonalitāti datos, ar modeļa parametriem, kas optimizēti, izmantojot vienu no novērtēšanas metodēm, ko sauc par režģa meklēšanu, vai izmantojot auto ARIMA, kas ir modelis, kas tiek izmantots kā automātisks parametru iestatītājs. Random Forests modelis arī tika uzlabots un izstrādāts, lai atklātu nelineārus raksturlielumus un atkarības, ar hiperparametru regulēšanu, izmantojot režģa meklēšanas metodi un krustotās validācijas metodi, lai iegūtu precīzākas prognozes.
Darbs arī pārbauda, kā abi modeļi var gūt labumu viens no otra, apvienojot to prognozes ansambļa konfigurācijās, lai sasniegtu uzlabotu kopējo prognožu precizitāti. Divkārša salīdzinoša modeļu analīze – gan atsevišķi, gan ansamblī – ļauj novērtēt katra modeļa stiprās un vājās puses noliktavu pieprasījuma prognozēšanas kontekstā. |
