Алгоритмы машинного обучения для прогнозирования спроса на товары и услуги
Автор: Бондарь А.В., Астахов А.С.
Журнал: НБИ технологии @nbi-technologies
Рубрика: Информационные технологии в безопасности и телекоммуникациях
Статья в выпуске: 2 т.18, 2024 года.
Бесплатный доступ
В статье рассмотрены основные алгоритмы для прогнозирования временных рядов методами машинного обучения, в частности прогнозирование продаж товаров на основе различных показателей. Задача прогнозирования требует от персонала отличного владения математическими и статистическими инструментами, а также умение анализировать большие объемы данных. Автоматизация данной задачи позволит переложить большую часть работы сотрудников на программное обеспечение. Это поможет увеличить объем обрабатываемой информации, снизить затрат на логистику и хранение, а также минимизировать риски потери прибыли из-за нулевого остатка на складе. В статье проведен анализ критериев, влияющих на спрос товаров; рассмотрены классические алгоритмы и нейронные сети для прогнозирования временных рядом. Также в работе освещен процесс проектирования, разработки, тестирования программного обеспечения.
Временные ряды, прогнозирование временных рядов, линейная регрессия, нейронные сети, рекуррентные нейронные сети, веб-технологии
Короткий адрес: https://sciup.org/149147326
IDR: 149147326 | УДК: 004.85 | DOI: 10.15688/NBIT.jvolsu.2024.2.4
Machine learning algorithms for forecasting demand for goods and service
The article discusses the main algorithms for forecasting time series using machine learning methods, in particular, forecasting sales of goods based on various indicators. The forecasting task requires the staff to have excellent knowledge of mathematical and statistical tools, as well as the ability to analyze large amounts of data. Automating this task will allow you to shift most of the work of employees to software. This will help to increase the volume of information processed, reduce logistics and storage costs, and minimize the risks of loss of profit because of a zero stock balance. The article analyzes the criteria that affect the demand for goods; classical algorithms and neural networks for forecasting time series are considered. The work also highlights the process of designing, developing, and testing software.
Список литературы Алгоритмы машинного обучения для прогнозирования спроса на товары и услуги
- Афанасьев, В. Н. Анализ временных рядов и прогнозирование / В. Н. Афанасьев, М. М. Юзбашев. - М.: Финансы и статистика, 2010. - 320 с. EDN: RYRYJX
- Голубев, В. В. Введение в математическую статистику / В. В. Голубев. - М.: Моск. физико-техн. ин-т, 2014. - 127 с.
- Макаров, Д. А. Использование алгоритма XGBoost для предсказания завершения курса обучающимся / Д. А. Макаров // StudNet. - 2021. - Т. 4, № 1. - С. 18. EDN: AECCJH
- Плотников, А. Н. Элементарная теория анализа и статистическое моделирование временных рядов / А. Н. Плотников. - СПб.: Лань, 2016. - 218 с. EDN: WHYSOJ
- Medsker, L. R. Recurrent Neural Networks. Design and Applications / L. R. Medsker, L. C. Jain. - Boca Raton: CRC Press, 2001. - 389 p.
- Nurfaizi, A. Ticket Prediction Using LSTM on a GLPI System / A. Nurfaizi, M. Hasanuddin // International Journal of Open Information Technologies. - 2023. - No. 7. - P. 118-121. EDN: NZNSGY
- Radivojac, P. Machine Learning Handbook / P. Radivojac, M. White. - 2019. - 140 p.
- Sanchez, E. N. Discrete-Time Recurrent Neural Control: Analysis and Applications / E. N. Sanchez. - Boca Raton: CRC Press, 2022. - 292 p. -. DOI: 10.1201/9781315147185
- Tsitsiashvili, G. Calculating the Variance of the Linear Regression Coefficient / G. Tsitsiashvili // Reliability: Theory & Applications. - 2019. - Vol. 14, No. 3 (54). - P. 65-68. -. DOI: 10.24411/1932-2321-2019-13008 EDN: HYTHUG
