Use this url to cite ETD: https://hdl.handle.net/20.500.12259/108020
Options
Sandėlio apkrovos prognozavimas naudojant statistinius ir dirbtinio intelekto metodus
Field of Science
Informatika / Informatics (N009)
Type of publication
type::text::thesis::master thesis
Title
Sandėlio apkrovos prognozavimas naudojant statistinius ir dirbtinio intelekto metodus
Other Title
Prediction of warehouse load using statistical and artificial intelligence methods
Author
Bakūnaitė, Aušra |
Advisor
Extent
72 p.
Date Issued
2020-06-17
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.
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.
Language
Lietuvių / Lithuanian (lt)
Defended
Taip / Yes
Access Rights
Prieigos embargo / Embargoed Access
File(s)ausra_bakunaite_md.pdf (1.88 MB) Embargo Accessuntil 2025-06-17