Přejít k hlavnímu obsahu

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Deep-learning Model Using Hybrid Adaptive Trend Estimated Series for Modelling and Forecasting Sales
Autoři: Efat Md. Iftekharul Alam | Hájek Petr | Abedin Mohammad Zoynul | Azad Rahat Uddin | Al Jaber Md | Aditya Shuvra | Hassan Mohammad Kabir
Rok: 2024
Druh publikace: článek v odborném periodiku
Název zdroje: Annals of Operations Research
Název nakladatele: Springer
Místo vydání: Vídeň
Strana od-do: 297-328
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze Model hlubokého učení využívající hybridní adaptivní odhad trendů pro modelování a predikci tržeb Existující modely predikce tržeb nejsou dostatečně komplexní a flexibilní, aby zohlednily dynamické změny a nelinearity v časových řadách prodeje na úrovni obchodu a produktů. Pro zachycení různých charakteristik velkých dat v datech prognózování prodeje, jako jsou sezónní a trendové variace, tato studie vyvíjí hybridní model kombinující adaptivní odhadované trendy (ATES) s modelem hluboké neuronové sítě. ATES je nejprve použit k modelování sezónních efektů a zahrnutí vlivů svátků, víkendů a marketingových aktivit na prodej. Poté je navržen model hluboké neuronové sítě pro modelování reziduí tím, že zachycuje složité spatio-temporální charakteristiky dat. Navržený hybridní model obsahuje komponentu pro extrakci charakteristik, která automaticky detekuje vzorce a trendy v časových řadách, což činí model robustním vůči šumu a délce časových řad. Pro ověření navrženého hybridního modelu je zpracován velký objem dat o prodeji pomocí trojrozměrného datového modelu, který účinně podporuje rozhodování na úrovni specifických produktů v jednotlivých obchodech. Pro demonstraci účinnosti navrženého modelu je provedena srovnávací analýza s několika moderními metodami prognózování prodeje. Výsledky ukazují, že navržený hybridní model překonává stávající modely v predikcích s horizontem od jednoho do 12 měsíců. Strojové učení; Predikce tržeb; Velká data; Regresní model; Hluboké učení
eng Deep-learning Model Using Hybrid Adaptive Trend Estimated Series for Modelling and Forecasting Sales Existing sales forecasting models are not comprehensive and flexible enough to consider dynamic changes and nonlinearities in sales time-series at the store and product levels. To capture different big data characteristics in sales forecasting data, such as seasonal and trend variations, this study develops a hybrid model combining adaptive trend estimated series (ATES) with a deep neural network model. ATES is first used to model seasonal effects and incorporate holiday, weekend, and marketing effects on sales. The deep neural network model is then proposed to model residuals by capturing complex high-level spatiotemporal features from the data. The proposed hybrid model is equipped with a feature-extraction component that automatically detects the patterns and trends in time-series, which makes the forecasting model robust against noise and time-series length. To validate the proposed hybrid model, a large volume of sales data is processed with a three-dimensional data model to effectively support business decisions at the product-specific store level. To demonstrate the effectiveness of the proposed model, a comparative analysis is performed with several state-of-the-art sales forecasting methods. Here, we show that the proposed hybrid model outperforms existing models for forecasting horizons ranging from one to 12 months. Machine learning; Sales forecasting; Big data; Regression model; Deep learning