Deep Neural Networks for Sales Forecasting
Hluboké neuronové sítě pro předpovídání prodejů
diplomová práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/83139Identifikátory
SIS: 177230
Kolekce
- Kvalifikační práce [10690]
Autor
Vedoucí práce
Oponent práce
Mrázová, Iveta
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Teoretická informatika
Katedra / ústav / klinika
Katedra teoretické informatiky a matematické logiky
Datum obhajoby
12. 9. 2016
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Angličtina
Známka
Výborně
Klíčová slova (česky)
hluboké neuronové sítě, předpověd prodejů, strojové učeníKlíčová slova (anglicky)
deep neural networks, sales forecasting, machine learningPředpovídání prodejů je nezbytnou součástí řízení dodavatelských řetězců. U maloobchodů mohou přesné předpovědi značně snižovat náklady. Přesnost předpovědí je však u statistických přístupů často zhoršena tím, že techniky zanedbávají důležité vlastnosti, specifické pro časové řady prodejů. Cílem práce je zjistit, zda je vhodné pro řešení problému předpovídaní prodejů použít hluboké neuronové sítě. Tato práce testuje různé běžně používané návrhy hlubokých neuronových sítí a navíc navrhuje novou architekturu hluboké neuronové sítě kombinující tradiční přístupy. Pozornost je věnována taky předzpracování dat, což se ukáže být stěžejní prvek předpovídání prodejů pomocí hlubokých neuronových sítí. Nejlepší nalezené metody jsou porovnány například s tradičními neuronovými sítěmi nebo s exponenciálním vyhlazováním. Powered by TCPDF (www.tcpdf.org)
Sales forecasting is an essential part of supply chain management. In retail business, accurate sales forecasts lead to significant cost reductions. Statistical methods that are commonly used for sales forecasting often overlook important aspects unique for the sales time series, which lowers the forecast accuracy. In this thesis we explore whether it is possible to improve short-term sales forecasting by employing deep neural networks. This thesis analyzes performance of various traditional deep neural network designs and proposes a novel architecture. It also explores several data preprocessing methods, both traditional and non-traditional, which turns out to be a crucial part of sales forecasting using deep neural networks. The best methods of deep neural network approach that we found are then compared to other forecasting methods such as traditional neural networks or exponential smoothing. Powered by TCPDF (www.tcpdf.org)