| Form of studies |
Bachelor |
| Title of the study programm |
Computer Systems |
| Title in original language |
Mašīnmācīšanās modeļa izstrāde noliktavas pasūtījumu automatizācijai |
| Title in English |
Development of a Machine Learning Model for Warehouse Order Automation |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Ilze Andersone |
| Reviewer |
Timurs Mihailovs |
| Abstract |
2. tips: Aktuālo jomas problēmu risinājumi
Bakalaura darbs ir veltīts mašīnmācīšanās modeļa izstrādei noliktavas pasūtījumu automatizācijai. Darbā tiek apskatīti mašīnmācīšanās algoritmi, laika rindu analīzes un prognozēšanas metodes, kā arī to pielietojums noliktavas pieprasījuma prognozēšanā.
Noliktavas pasūtījumu plānošanā būtiska problēma ir pieprasījuma svārstīgums, sezonalitāte un manuālas datu analīzes laikietilpīgums. Neprecīza pasūtījumu plānošana var radīt gan preču trūkumu, gan pārmērīgu krājumu uzkrāšanos, tādēļ nepieciešami risinājumi, kas spēj izmantot vēsturiskos datus un atbalstīt datos balstītu lēmumu pieņemšanu.
Praktiskajā daļā tiek sagatavota noliktavas vēsturisko datu kopa, izveidotas prognozēšanai nepieciešamās pazīmes un izstrādāts XGBoost mašīnmācīšanās modelis. Modeļa darbība tiek novērtēta, izmantojot MAE, RMSE, R² un MAPE metrikas, kā arī validēta ar neatkarīgu divu mēnešu datu kopu. Validācijas rezultāti parāda, ka modelis visprecīzāk prognozē alkoholisko dzērienu kategorijas pieprasījumu, kur relatīvā kļūda ir 5,95 %. Pārtikas produktu kategorijā relatīvā kļūda ir 11,61 %, savukārt bezalkoholisko dzērienu kategorijā — 28,47 %. Iegūtie rezultāti apliecina, ka izstrādātais modelis var tikt izmantots kā atbalsta rīks noliktavas pasūtījumu plānošanā, vienlaikus ņemot vērā katras preču kategorijas pieprasījuma īpatnības.
Bakalaura darbā ir 62 lappuses, 9 attēli, 7 tabulas, 1 pielikums un 28 informācijas avoti. |
| Keywords |
Mašīnmācīšanās algoritmi, laika rindas, pieprasījuma prognozēšana, XGBoost, noliktavas pasūtījumi |
| Keywords in English |
Machine learning algorithms, time series, demand forecasting, XGBoost, warehouse orders |
| Language |
lv |
| Year |
2026 |
| Date and time of uploading |
26.05.2026 17:44:29 |
