بررسی تاثیر مهندسی ویژگی بر عملکرد مدل های آماری، یادگیری ماشین و یادگیری عمیق در پیش بینی تولید ماهانه شیر

پیش بینی میزان تولید به منظور بهبود فرآیند و مدیریت زنجیره تامین در شرکت های تولیدی ضروری می باشد. در صورتی که محصولات تولیدی و یا محصولات پایین دستی دارای تاریخ مصرف بوده و یا امکان فاسد شدن داشته باشند، پیش بینی میزان تولید بیش از پیش اهمیت خواهد داشت. از این رو در این مطالعه با انتخاب مسئله تولید شیر و بررسی مهندسی ویژگی ها تلاش شده است با بررسی تاثیر آن بر روی نتایج معیارهای ارزیابی بتوان به روشی دست پیدا کرد که دقت بالاتری در تعیین پیش بینی میزان تولید داشته باشد. در این تحقیق سه سناریو مهندسی ویژگی مورد بررسی قرار گرفت، در سناریو اول فقط از یک تاخیر استفاده شده، در حالی که در سناریوی دوم فضای کامل شامل ویژگی های تقویمی و تاخیرهای کوتاه مدت، و در سناریوی سوم تاخیرهای بلند مدت ماهیانه (۱۲، ۲۴ و ۳۶ ماهه) استفاده شده است. مدل هایی که در این مطالعه بکار گرفته شده اند عبارتند از: رگرسیون خطی، SVR، جنگل تصادفی، Gradient Boosting، XGBoost، LightGBM، CatBoost، SARIMA، Holt-Winters، Seasonal Naive، Fuzzy TS، LSTM و Mamba. و عملکرد دقت مدل ها با معیارهای ارزیابی MAE، RMSE، R۲، MAPE، Max Error سنجیده شده است. در سناریوی اول، بهترین عملکرد معیار ارزیابی را مدل LSTM به دست آورد و به معیار ارزیابی R۲=۰.۵۸۴ دست یافت. در سناریوی دوم با معیار ارزیابی R۲=۰.۹۴۹ برای Gradient Boosting و XGBoost ثبت شد که بهترین نتیجه در سه سناریو بوده است. در سناریوی سوم نیز XGBoost و مدل جنگل تصادفی با R۲=۰.۷۱۲ بهترین نتیجه را ثبت نمودند.

کلیدواژه ها:

مهندسی ویژگی ، پیش بینی سری زمانی ، تولید شیر ، مقایسه مدل های ارزیابی ، مدل های آماری