ПРОГНОЗУВАННЯ ПОПИТУ НА ПРОДУКЦІЮ ЗА ДОПОМОГОЮ НЕЙРОННИХ МОДЕЛЕЙ ТА ВИКОРИСТАННЯМ ЧАСОВИХ РЯДІВ

Анотація

Попит на продукцію сучасного виробництва стає більш непередбачуваним через швидкі зміни смаків споживачів, глобалізацію, технологічні і економічні зміни, а також вплив зовнішніх чинників. В цьому контексті використання методів прогнозування стає критично важливим елементом стратегій управління виробництвом. Ефективні прогнози попиту дозволяють не лише адаптувати свою виробничу діяльність до поточних ринкових умов, але і забезпечувати сталість постачання продукції на ринок, мінімізуючи витрати і ризики. У роботі розглядається проблема прогнозування попиту на продукцію сучасного виробництва на прикладі сільськогосподарської продукції із використанням методів аналізу наявних даних. Акцент робиться на розумінні та використанні статистичних та математичних моделей прогнозування тенденцій у споживчому попиті на товари та послуги. Враховуючи розвиток сучасних технологій обробки даних та штучного інтелекту, висвітлено можливості застосування таких новітніх підходів, як машинне навчання для поліпшення точності та ефективності прогнозування. В результаті проведеного дослідження була навчена нейронна модель ARIMA для прогнозування попиту на основі наявних даних за минулий період часу за допомогою сучасних інструментів та мови програмування Python. Стаціонарність вхідного часового ряду була підтверджена за допомогою статистичного тесту Дікі-Фуллера, значення якого склало -4.58, а також отриманого p-значення, яке дорівнює 8.7 × 10-19. Якість навченої нейронної моделі була оцінена за допомогою середньої абсолютної помилки та середньоквадратичної помилки. Значення MAE дорівнює 13.23, а MSE — 173.84. Відхилення σ у прогнозуванні склало ~13.19 тон. Також якість моделі підтверджується отриманими прогнозованими результатами на певний період часу в майбутньому. Для візуалізації додаткових характеристик навченої нейронної моделі був побудований графік розподілу частоти даних та Q-Q графік. Розроблений алгоритм навчання нейронної моделі прогнозування на основі наявних даних за минулий період часу є універсальним та може бути у подальшому використаний у металургії, машинобудуванні, хімічній промисловості та інших галузях економіки. Доцільно також порівняти отримані результати з тими, які можуть бути отримані з використанням модифікованої моделі ARIMA — SARIMA, яка враховує сезонність, а отже дозволяє краще прогнозувати попит у певні періоди, наприклад, у відповідь на сезонні тренди чи піки попиту.

Класифікація

Ідентифікатори

Схожі роботи