| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorzinātne un organizāciju tehnoloģijas |
| Nosaukums |
Prognozējoša modelēšana ikmēneša TEU apjomiem uzņēmumam Mediterranean Shipping Company, izmantojot mašīnmācīšanos un laika rindas analīzi. |
| Nosaukums angļu valodā |
Predictive Modeling of Monthly TEU Volumes for the Mediterranean Shipping Company Using Machine Learning and Time Series Analysis. |
| Struktūrvienība |
02C60 Rīgas Biznesa skola |
| Darba vadītājs |
Ojārs Krūmiņš |
| Recenzents |
Jiri Janda |
| Anotācija |
Šajā bakalaura darbā tiek pētīta ikmēneša konteineru apjoma (TEU) prognozēšana uzņēmumam Mediterranean Shipping Company (MSC), izmantojot tradicionālos laika rindas modeļus un mūsdienīgas mašīnmācīšanās metodes. Darbā tiek salīdzināta trīs modeļu prognozēšanas veiktspēja. Darbā tiek apskatīti SARIMA, LSTM un SARIMA-LSTM hibrīda modeļi, kas tiek salīdzināti balstoties uz prognozēšanas veiktspējas rezultātiem, balstoties uz importa un eksporta datiem no 15 valstīm laika posmā no 2019. līdz 2023. gadam.
Tradicionālie modeļi, kā SARIMA, ir efektīvi lineāru un sezonālu trendu modelēšanā, bet tiem ir ierobežojumi sarežģītu un nelineāru datu analīzē. Tikmēr LSTM modeļi spēj uztvert ilgtermiņa un nelineāras atkarības, taču tiem trūkst mehānismu sezonālo svārstību apstrādei. Hibrīda modeļi, kas apvieno abu pieeju stiprās puses, sniedz visaptverošāku prognozēšanas risinājumu.
Modeļi tika izstrādāti Python vidē. SARIMA parametri tika izvēlēti automātiski, bet LSTM modeļiem veikta padziļināta hiperparametru meklēšana. Hibrīda pieejā LSTM modelis tika apmācīts izmantojot SARIMA prognožu atlikumus, tādējādi uzlabojot precizitāti.
Pēc vidējās kvadrātiskās kļūdas un vidējās absolūtās kļūdas rādītājiem LSTM modelis pārspēj SARIMA, savukārt hibrīda modelis vairākos gadījumos sniedz vislabāko prognozēšanas rezultātu. Darba rezultāti apstiprina, ka hibrīda modeļi ir piemēroti sarežģītiem loģistikas prognozēšanas uzdevumiem. Šis pētījums piedāvā vērtīgas atziņas MSC un citiem konteineru pārvadājumu uzņēmumiem, kā uzlabot prognozēšanas stratēģijas. |
| Atslēgas vārdi |
TEU prognozēšana, laika rindas analīze, mašīnmācīšanās, hibrīda modeļi, prognozēšanas modeļi |
| Atslēgas vārdi angļu valodā |
TEU forecasting, time series analysis, machine learning, hybrid models, maritime logistics |
| Valoda |
eng |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
13.04.2025 21:48:43 |
