|
Title
|
مدل جدید پیش بینی چند گامی تقاضا با استفاده از روش های یادگیری عمیق و تکنیک های داده افزایی سری زمانی
|
|
Type of Research
|
Article
|
|
Keywords
|
سری زمانی, یادگیری عمیق, حافظه طولانی کوتاه-مدت, شبکه کانولوشنی, مکانیزم خودتوجه چندسر.,
|
|
Abstract
|
در یک محیط تجاری که رقابت سختی بین شرکت ها وجود دارد، پیش بینی دقیق تقاضا یک امر مهمی است. اگر داده های مربوط به تقاضای مشتری را در نقاط گسسته ای از زمان جمع آوری کنیم، یک سری زمانی تقاضا به دست می آید. درنتیجه، مسئله پیش بینی تقاضا به عنوان یک مسئله پیش بینی سری های زمانی فرموله می شود. در زمینه پیش بینی سری های زمانی، روش های یادگیری عمیق دقت مناسبی در پیش بینی سری های زمانی پیچیده داشته اند. با این وجود عملکرد خوب این روش ها به میزان داده های در دسترس وابسته است. بدین منظور در این مطالعه استفاده از تکنیک های داده افزایی سری زمانی در کنار روش های یادگیری عمیق پیشنهاد می شود. در این مطالعه سه روش نوین جهت تست کارایی رویکرد پیشنهادی به کار گرفته شده است که عبارت اند از: 1) حافظه کوتاه مدت طولانی، 2) شبکه کانولوشنی 3) مکانیزم خودتوجه چندسر. همچنین در این مطالعه رویکرد پیش بینی چندگامی به کار گرفته می شود که امکان پیش بینی چند نقطه آینده را در یک عمل پیش بینی به وجود می آورد. روش پیشنهادی بر روی داده واقعی تقاضای یک شرکت مبلمان اعمال شده است. نتایج آزمایش ها نشان می دهد که رویکرد پیشنهادی باعث بهبود دقت پیش بینی روش های به کار گرفته شده در اکثر حالات مختلف پیش بینی می شود. همچنین بکارگیری روش پیشنهادی روی مجموعه داده های محک استاندارد، حاکی از عملکرد موفق مدل های بدست آمده نسبت به مدل های پایه می باشد.
|
|
Researchers
|
Hossein Abbasimehr (First Researcher)، Reza Paki (Second Researcher)
|