| Form of studies |
Bachelor |
| Title of the study programm |
Computer Science and Organizational Technologies |
| Title in original language |
Degvielas piedevu pieprasījuma prognozēšana, izmantojot garas un īsas atmiņas tīklus. |
| Title in English |
Fuel Additive Demand Forecasting With Long Short-Term Memory Networks. |
| Department |
Riga Business School |
| Scientific advisor |
Ronalds Cinks |
| Reviewer |
Ojārs Krūmiņš |
| Abstract |
Degvielas piedevas ir būtiskas transportlīdzekļa degvielas veiktspējas, efektivitātes un vides ilgtspējības uzlabošanai. Tomēr to krājumu pārvaldīšana ir izaicinājums pieprasījuma svārstību dēļ. Autora pieredze uzņēmumā Circle K izcēla to kā neprecīzas prognozes var novest pie pārmērīgas krājumu uzkrāšanas, krājumu izsīkumiem un palielinātiem izdevumiem, uzsverot nepieciešamību pēc precīza pieprasījuma prognozēšanas, lai optimizētu piegāžu koordināciju. Globālā degvielas piedevu tirgus, kuru 2024. gadā novērtēja 9,24 miljardu ASV dolāru apmērā, vēl vairāk uzsver precīzu prognožu nozīmi.
Šis pētījums izskata jautājumu, vai Ilgtermiņa īstermiņa atmiņas (LSTM) neironu tīkla prognozēšana var uzlabot degvielas piedevu pieprasījuma precizitāti nedēļas līmenī, salīdzinot ar tradicionālo naīvo prognozēšanas metodi. Hipotēze norāda, ka LSTM sasniegs vairāk nekā 90% precizitāti. Tika izmantota kvantitatīva pieeja, analizējot vēsturiskos datus no 2022. gada janvāra līdz 2025. gada janvārim (1096 novērojumi). Modeļa veiktspēja tika novērtēta, izmantojot trīs galvenos prognozēšanas novērtēšanas rādītājus: vidējo kvadrātvirziena kļūdu (MSE), vidējo absolūto kļūdu (MAE) un kvadrātiskās kļūdas sakni (RMSE). Salīdzinājums ar naīvo prognozēšanas metodi tika veikts, lai novērtētu precizitātes uzlabojumus.
Salīdzinājumā ar naīvo modeli, LSTM uzrādīja labākus rezultātus 16 nedēļu periodā, ar vidējo precizitāti 93.87 %, MAE samazinājumu par 27.3 litriem un MAPE samazinājumu par 4.1 %. Ikdienas prognozēs 16 nedēļu vai 112 dienu periodā, LSTM modelis uzrādija zemākus rezultātus MAE un MSE, bet MAPE prognozes kļūda palielinājās uz 62.37 %. Ieteikumi precizitātes uzlabošanai ietver automatizētu izkrauto daudzumu datu ieguvi no API, dienišķa staciju līmeņu rādijumi un autovadītāju, degvielas transportlīdzekļu pieejamības datu integrāciju. Partneru un lielo klientu uzvedība saglabājas grūti prognozējama, tāpēc svarīga ir cieša komunikācija ar iesaistītajām pusēm. |
| Keywords |
Degvielas piedevas, Pieprasījuma prognozēšana, Garas un īsas atmiņas tīkli, Neironu tīkli |
| Keywords in English |
Fuel additives, Demand forecasting, Long Short-Term Memory (LSTM), Neural networks |
| Language |
eng |
| Year |
2025 |
| Date and time of uploading |
14.04.2025 01:11:33 |
