پیش بینی پویای تقاضای خرده فروشی مبتنی بر رویکرد ترنسفورمر با تلفیق اثرات شبکه ای، تاخیرهای زمانی و معناشناسی محصول

پیش بینی دقیق تقاضا در خرده فروشی آنلاین یکی از چالش های اساسی در مدیریت زنجیره تامین و برنامه ریزی موجودی محسوب می شود، زیرا الگوهای تقاضا معمولا تحت تاثیر روابط پیچیده زمانی، تعاملات شبکه ای میان محصولات و ویژگی های معنایی اقلام قرار دارند. بسیاری از رویکردهای سنتی سری زمانی و حتی برخی مدل های یادگیری عمیق در مدل سازی هم زمان این وابستگی های پویا و غیرخطی با محدودیت هایی مواجه اند. در پاسخ به این چالش، پژوهش حاضر یک چارچوب پیش بینی نوین مبتنی بر معماری ترنسفورمر ارائه داده که قادر است وابستگی های زمانی با تاخیر، اثرات شبکه ای میان محصولات و اطلاعات معناشناختی کالاها را به صورت یکپارچه مدل سازی کند. این پژوهش از نوع تجربی- محاسباتی بوده و برای ارزیابی مدل پیشنهادی از مجموعه داده واقعی خرده فروشی آنلاین دو استفاده شده است. پس از انجام مراحل پیش پردازش داده ها و حذف رکوردهای ناقص، داده ها به مجموعه های آموزش و آزمون تقسیم شدند. سپس مدل پیشنهادی با بهره گیری از سازوکار توجه چندسری در چارچوب ترنسفورمر و با استفاده از بازنمایی های معنایی استخراج شده از توضیحات محصولات آموزش داده شد. بر اساس نتایج، مدل ترنسفورمر پیشنهادی با دستیابی به مقادیر میانگین قدرمطلق خطا معادل ۲٫۶۸ و ریشه میانگین مربعات خطا معادل ۳٫۸۵، عملکرد بهتری نسبت به مدل های خودهمبسته میانگین متحرک انباشته (با میانگین قدرمطلق خطا برابر ۴٫۳۷ و ریشه میانگین مربعات خطا برابر ۵٫۹۶) و الگوریتم تقویت گرادیانت (با میانگین قدرمطلق خطا برابر ۳٫۹۱ و ریشه میانگین مربعات خطا برابر ۵٫۱۲) ارائه می دهد. این بهبود نشان داد که چارچوب پیشنهادی قادر است الگوهای پیچیده تقاضا و روابط میان محصولی را به طور موثر شناسایی کند.

کلیدواژه ها:

تقاضای خرده فروشی ، اثرات شبکه ای ، تاخیرهای زمانی ، معناشناسی محصول ، معماری ترنسفورمر