Please use this identifier to cite or link to this item:https://hdl.handle.net/20.500.12259/108020
Type of publication: Magistro darbas / Master thesis
Field of Science: Informatika (N009) / Informatics
Author(s): Bakūnaitė, Aušra
Title: Sandėlio apkrovos prognozavimas naudojant statistinius ir dirbtinio intelekto metodus
Other Title: Prediction of Warehouse Load using Statistical and Artificial Intelligence Methods
Extent: 72 p.
Date: 17-Jun-2020
Keywords: Prognozavimas;Prediction;Dirbtinis intelektas;Artificial Intelligence;Sandėlio apkrova;Warehouse load;Dirbtiniai neuroniniai tinklai;Artificial Neural Networks;Hibridiniai modeliai;Hybrid Models;Klasterizavimas;Clustering;Prongozių kombinavimas;Combined forecasts;Statistinių ir dirbtinio intelekto metodų palyginimas;Comparison of Statistical and Artificial Intelligence methods
Abstract: Prognozavimas pastaruoju metu vis labiau tampa neatsiejama logistikos, taip pat ir sandėliavimo verslo funkcionavimo dalimi. Vienas iš pagrindinių sandėliavimo verslo siekių šiomis dienomis – kaip įmanoma labiau sumažinti operacinius kaštus taip generuojant didesnį pelną. Taigi, operacijų prognozavimas yra vienas pagrindinių įrankių siekiant numatyti ateities grėsmes ir priimti tinkamus sprendimus tam, kad jas įveikti. Sprendžiant bet kokius prognozavimo uždavinius susiduriama su problema, kad vienos visiems uždaviniams tinkamos formulės nėra, todėl norint, kad prognozės būtų naudingos, svarbu nustatyti metodus, generuojančius kaip įmanoma tikslesnius rezultatus. Šiame darbe sprendžiama sandėlio apkrovos prognozavimo problema, siekiama nustatyti statistinių ir dirbtinio intelekto metodų galimybes ir išskirti geriausias prognozes generuojančius modelius. Sandėlio operacijų duomenų rinkinys, sukauptas sandėlio valdymo sistemos pagalba, tyrimo metu padalintas į mokymo ir testavimo imtį, siekiant prognozuoti 30-ties paskutinių periodų sandėlio apkrovą. Darbo metu atlikti eksperimentai su šiais statistiniais metodais: paprastas vidurkis (angl. Simple Average); slenkantis vidurkis (angl. Moving Average); eksponentinis glodinimas (angl. Exponential Smoothing); ARIMA; SARIMA. Taip pat palyginimui pritaikyti dirbtinio intelekto metodai: įvairių architektūrų tradiciniai neuroniniai tinklai (angl. Neural Networks); autoregresiniai neuroniniai tinklai (angl. Autoregressive Neural Networks). Papildomai sudaryti hibridiniai k-vidurkių (angl. C-means) ir neuroninių tinklų modeliai, duomenų rinkinį k-vidurkių metodo pagalba padalinant į mažesnius subrinkinius ir sudarant individualius prognozavimo modelius kiekvienam jų. Siekiant pagerinti prognozių 6 tikslumą atliktas tiksliausias prognozes generuojančių 12, 8 ir 3 modelių prognozių kombinavimas paprasto ir svertinio vidurkio (angl. Weighted Average) metodais. Modelių tikslumas įvertintas pagal šiuos prognozių tikslumo matus: vidutinė kvadratinė paklaida (angl. Mean Squared Error), vidutinės kvadratinės paklaidos kvadratinė šaknis (angl. Root Mean Squared Error) ir vidutinė absoliutinė paklaida (angl. Mean Absolute Error). Tyrimo metu nustatytas dirbtinio intelekto metodų pranašumas, pastarųjų RMSE paklaida buvo 48% mažesnė, lyginant su statistiniais metodais. Nustatyta, kad tiksliausias prognozes analizuotam sandėlio apkrovos duomenų rinkiniui sugeneravo hibridinis k-vidurkių-NART-NT modelis.
Forecasting has recently become an integral part of the functioning of logistics as well as warehousing business. One of the main goals of the warehousing business these days is to reduce operating costs as much as possible, thus generating higher profits. Forecasting of warehouse operations is one of the key tools to anticipate future threats and make the right decisions to overcome them. The problem with any forecasting task is that there is no fits-all formula, so for forecasts to be useful, it is important to identify methods that produce the most accurate results. In this work, the problem of warehouse load forecasting is solved. The purpose is to determine the possibilities of statistical and artificial intelligence methods and to identify the models that generate the best forecasts. The data set of warehouse operations, collected with warehouse management system, was divided into a training and testing data sets in order to predict the warehouse load for the last 30 periods. Experiments with the following statistical methods were performed during this work: Simple Average; Moving Average; Exponential Smoothing; ARIMA; SARIMA. For comparison, these artificial intelligence methods were also applied: traditional Neural Networks of various architectures; Autoregressive Neural Networks. In addition, hybrid models of C-means and neural networks were developed, by dividing the data set into smaller subsets using the C-means method and developing individual prediction models for each of them. In order to improve the accuracy of forecasts, a combination of top 12, 8 and 3 models that generate the most accurate forecasts was performed by using simple and weighted average methods. The accuracy of the models was assessed using the following measures of forecast accuracy: Mean Squared Error; Root Mean Squared Error; Mean Absolute Error. In the study the advantage of AI methods was determined. The RMSE of AI methods was 48% lower compared to statistical ones. Tests made with the data set have shown that the most accurate predictions for the analysed process were generated by using hybrid c-means-NAR-NN model.
Internet: https://hdl.handle.net/20.500.12259/108020
Affiliation(s): Taikomosios informatikos katedra
Appears in Collections:2020 m. (IF mag.)

Files in This Item:
ausra_bakunaite_md.pdf1.92 MBAdobe PDF   Restricted AccessView/Open

Show full item record
Export via OAI-PMH Interface in XML Formats
Export to Other Non-XML Formats

Google ScholarTM

Check


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.