پیشبینی دقیق تقاضا در صنعت خرده فروشی با استفاده از معماری ترکیبی-CNN Transformer و بهینه سازی بیزی

پیش بینی دقیق تقاضا نقش کلیدی در برنامه ریزی، موجودی، بهینه سازی زنجیره تامین و کاهش هزینه های عملیاتی ایفا می کند. پیچیدگی رفتار مشتریان، نوسانات بازار و وجود الگوهای غیرخطی در داده های واقعی موجب شده است که روش های آماری سنتی مانند SARIMAX در کاربردهای پویا و با داده های حجیم عملکرد مطلوبی نداشته باشند. در این پژوهش یک رویکرد نوین مبتنی بر یادگیری عمیق برای پیش بینی تقاضا در صنعت خرده فروشی با استفاده از داده های واقعی در مقیاس وسیع توسعه داده شده است. مدل پیشنهادی با بهره گیری همزمان از شبکه عصبی کانولوشنی (CNN) برای استخراج ویژگی های محلی و مکانیزم توجه (Transformer) برای مدل سازی وابستگی های بلندمدت توانسته است محدودیت های مدل های بازگشتی را برطرف نماید. همچنین به منظور افزایش دقت و تعمیم پذیری مدل، فراپارامترهای کلیدی با استفاده از الگوریتم بهینه سازی بیزی تنظیم شده اند. نتایج ارزیابی ها نشان می دهد که مدل ترکیبی پیشنهادی با دستیابی به ضریب تعیین (R) برابر ۰.۹۱۶۴، خطای میانگین مطلق (MAE) برابر ۶۱۰.۰۲ و خطای میانگین مطلق درصدی (MAPE) برابر ۰.۰۹۳۰ عملکرد برتری نسبت به مدل های پایه نظیر LSTM و روش های کلاسیک مانند جنگل تصادفی و SARIMAX ارائه داده است. این یافته ها نشان می دهد استفاده از معماری های ترکیبی و مبتنی بر یادگیری عمیق می تواند راهکاری موثر برای دستیابی به پیش بینی تقاضای دقیق در صنعت خرده فروشی باشد.

کلیدواژه ها:

پیش بینی تقاضا ، سری زمانی ، یادگیری عمیق ، ترانسفرمر ، شبکه عصبی کانولوشنی ، بهینه سازی بیزی