پیش بینی روزانه تقاضای کالای فسادپذیر با استفاده از یادگیری عمیق (مطالعه موردی: ماست سون شرکت فرآورده های لبنی کاله آمل)

هدف: هدف از این تحقیق پیش بینی تقاضای روزانه محصول ماست سون شرکت لبنیات کاله آمل با استفاده از عوامل تاثیرگذار خارجی مانند شرایط آب و هوایی، روزهای خاص تقویم و قیمت محصول می باشد. این پیش بینی به ویژه به دلیل ماهیت فاسدشدنی محصولات که دارای نرخ بالایی از زوال هستند، بسیار مهم است.روش شناسی پژوهش: این مطالعه از مجموعه داده های عمومی شامل ۱۲ ماه سابقه تقاضا از فروشگاه های مختلف خرده فروشی مواد غذایی استفاده می کند. در ابتدا، این تحقیق از تکنیک پیش بینی سری های زمانی کلاسیک، به ویژه مدل میانگین متحرک همبسته خودکار یکپارچه فصلی با عوامل برون زا (SARIMAX) استفاده می کند. متعاقبا، روش های پیشرفته تر یادگیری ماشین، ازجمله شبکه های عصبی حافظه کوتاه مدت (LSTM) و شبکه های عصبی کانولوشنال (CNN) را پیاده سازی می کند. عملکرد این مدل ها با استفاده از روش های اندازه گیری دقیق مانند ریشه میانگین مربعات خطا (RMSE) و میانگین درصد مطلق خطا (MAPE) ارزیابی و مقایسه می شود.یافته ها: یافته ها نشان می دهد که روش CNN از نظر دقت از سایر روش های پیش بینی برتری دارد. علاوه بر این، مدل LSTM نیز عملکرد خوبی را نشان می دهد، اگرچه به برتری روش CNN نیست.اصالت/ارزش افزوده علمی: این تحقیق با تمرکز بر پیش بینی تقاضای کالاهای فاسدشدنی که به دلیل نرخ فرسودگی بالای آن ها اهمیت دوچندانی دارد، به ادبیات موجود کمک می کند. همچنین علاقه و اثربخشی رو به رشد تکنیک های یادگیری ماشینی پیشرفته، به ویژه CNN و LSTM را در بهبود دقت پیش بینی های تقاضا برجسته می کند. این مطالعه بینش های ارزشمندی را برای مشاغل در صنعت لبنیات با هدف افزایش سود اقتصادی و رقابت آن ها از طریق پیش بینی بهتر تقاضا ارایه می دهد.

کلیدواژه ها:

پیش بینی تقاضا ، شبکه عصبی ، کالاهای فسادپذیر ، یادگیری ماشین