Publikace detail

Product backorder prediction using deep neural network on imbalanced data

Autoři: Shajalal Md | Hájek Petr | Abedin Mohammad Zoynul

Rok: 2023

Druh publikace: článek v odborném periodiku

Název zdroje: International journal of production research

Název nakladatele: Taylor & Francis Ltd.

Místo vydání: Abingdon

Strana od-do: 302-319

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Předpovídání zpětných objednávek výrobků pomocí hluboké neuronové sítě na nevyvážených datech	Přijímání zpětných objednávek na produkty je běžným scénářem v systémech řízení zásob a dodavatelského řetězce. Schopnost předvídat pravděpodobnost zpětných objednávek může jistě minimalizovat ztráty společnosti. Protože počet zpětných objednávek je mnohem nižší než počet objednávek, které jsou odeslány včas, je použití predikčního modelu pro tuto oblast náročným úkolem. Tento článek navrhuje model, který k předpovídání zpětných objednávek využívá hlubokou neuronovou síť; pomocí účinných technik se vypořádává s nerovnováhou dat mezi zpětnými objednávkami a vyplněnými objednávkami. Aby byl soubor dat vyvážený, používáme různé techniky, které zahrnují posilování váhy menšinových tříd, náhodné převzorkování, převzorkování SMOTE a kombinaci převzorkování a podvzorkování. Vyvážená trénovací data jsou použita v námi navrženém, plně propojeném modelu hlubokých neuronových sítí k trénování predikčního modelu. Prediktivní model se pomocí trénovacích vzorků učí pravděpodobnost zpětných objednávek produktů. Provádíme experimenty na velkém souboru referenčních dat, abychom otestovali výkonnost námi navrženého modelu založeného na hlubokých neuronových sítích. Výsledky experimentů dosahují nového špičkového výkonu a překonávají některé významné klasifikační modely z hlediska standardních hodnotících metrik a míry očekávaného zisku.	Zpětné objednání produktu; hluboká neuronová síť; syntetické převzorkování; nevyvážená data; predikce
eng	Product backorder prediction using deep neural network on imbalanced data	Taking backorders on products is a common scenario in inventory and supply chain management systems. The ability to predict the likelihood of backorders can surely minimise a company's losses. Because the number of backorders is much lower than the number of orders that ship on time, applying a predictive model for this domain is a challenging task. This paper proposes a model that uses a deep neural network to predict backorders; it handles the data imbalance between backorders and filled orders with efficient techniques. To make the dataset balanced, we employ different techniques that include minority class weight boosting, randomised oversampling, SMOTE oversampling, and a combination of oversampling and undersampling. The balanced training data are used in our proposed, fully connected deep neural networks model to train the predictive model. The predictive model learns the likelihood of product backorders by using the training samples. We conduct experiments on a large benchmark dataset to test the performance of our proposed deep neural network-based model. The experimental results achieve a new state-of-the-art performance and outperform some prominent classification models in terms of standard evaluation metrics and expected profit measure.	Product backorder; deep neural network; synthetic oversampling; imbalanced data; prediction

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte