| Studiju veids |
maģistra profesionālās studijas |
| Studiju programmas nosaukums |
Transporta sistēmu inženierija |
| Nosaukums |
Machine Learning" metožu salīdzinājums noliktavas krājumu pieprasījuma prognozēšanai. |
| Nosaukums angļu valodā |
Comparison of Machine Learning Methods for Warehouse Stock Demand Forecasting. |
| Struktūrvienība |
25100 Aeronautikas institūts |
| Darba vadītājs |
Vladislavs Ņesterovskis |
| Recenzents |
Dr.phys., profesore E. Šidlovska |
| Anotācija |
Machine Learning metožu salīdzinājums noliktavas krājumu pieprasījuma prognozēšanai, nozīmīgumu raksturo dinamiski tirgus apstākļi, arvien sarežģītāki ikdienas plānošanas procesi un dažādi ārējie pieprasījuma ietekmējoši faktori, kas uzlikt milzu slogu precīzu prognožu uzturēšanā. Kvalitatīva noliktavas krājumu pārvaldības stratēģija ir cieši saistīta ar labu produkcijas pārdoto preču apjomu kontroli. Prognozes ir jāspēj atjaunot ātri un dinamiski ņemot vērā visu jaunāko pieejamo informāciju, samazinot personīgo viedokļu un citu ne faktos balstītu priekštatu ietekmi uz rezultātu.
Ņemot vērā mūsdienu augstos uzņēmuma procesu automatizācijas plānus un vēlmi plānošanas un operatīvos uzdevumus kontrolēt uz datiem balstītā pieejā, statistiski prognozēšanas modeļi veicina šo pieeju. Diplomdarbs veidots ar mērķi noskaidrot atšķirības pārdotās produkcijas prognožu modeļos, kas balstīti uz dienas līmeņa veikala un noliktavas vienību datiem. Lai rastu atbildi, darbā tiek salīdzinātas dažādas sarežģītības pakāpes prognozēšanas modeļu dienas līmeņu prognozes precizitāte 92 dienu periodam.
Nosakot augstākās veiktspējas modeļus darbā tiek salīdzināti sekojošas prognozēšanas metodes: naivā, sezonālā naivā, automātiskā regresija, ARIMA, auto ARIMA, PROPHET, neironu tīkls un kombinēts mašīnmācības modelis ar statistisku prognozēšanas metodi kā papildus ievades parametru (GBM, “Gradient Boosting Machine”). Rezultātu precizitātei izmantojot MASE un SMAPE mērījumus.
Balstoties uz darbā veiktajām analīzēm, pētījumu rezultāti norāda, ka labākos rezultātus iespējams sasniegt ar PROPHET un GBM modeļiem, kur GBM modeļa precizitātes uzlabošanai nepieciešams paplašināta analīze ievades parametru optimizācijai. PROPHET modelis uzlaboja bāzes scenārija rezultātus par 40 % SMAPE rādītājā un par 38% MASE rādītājā.
Ņemot vērā dažādus prognožu ietekmējošos faktorus ir ieteicams izmanot sezonālās naivās un automātiskās regresijas modeļus kā bāzes scenāriju, citu modeļi veiktspējas salīdzināšanai.
Darba gaitā tiek norādīti prognozēšanas modeļa izveides principi R programmatūrā, kuras priekšzināšanas var palīdzēt izprast veikto pētījumu.
Darbs kopējais apjoms, neskaitot pielikumus, ir 100 lapaspuses. Darbā izveidotas 6 tabulas n pievienoti 80 attēli, 3 formulas un 3 pielikumi. Darbā izmantoti 68 informācijas avoti.
Atslēgvārdi: Laika sērijas prognozes, R, datu analīze, mašīnmācība. |
| Atslēgas vārdi |
Laika sērijas prognozes, R, datu analīze, mašīnmācība |
| Atslēgas vārdi angļu valodā |
Time series forecasting, R, data analysis, machine learning |
| Valoda |
lv |
| Gads |
2020 |
| Darba augšupielādes datums un laiks |
16.06.2020 12:46:49 |
