МОДЕЛЬ НА ОСНОВІ ШАБЛОНІВ ДЛЯ КОРОТКОСТРОКОВОГО ПРОГНОЗУВАННЯ КІЛЬКОСТІ ТРАНЗАКЦІЙ У РОЗДРІБНИХ МАГАЗИНАХ ОДЯГУ
DOI:
https://doi.org/10.20998/2079-0023.2022.01.08Ключові слова:
кількість транзакцій, часові ряди, модель на основі шаблонів, методи короткострокового прогнозування, прогнозування числа покупців, адаптивна прогнозна модельАнотація
Отримання прогнозних значень показників з урахуванням історичних даних, що представлені часовими рядами, відіграє вирішальну роль у прийнятті бізнес-рішень у різних галузях. Однією з таких сфер застосування є задача передбачення кількості транзакцій у fashion-магазинах роздрібної мережі з метою оптимального планування робочого часу працівників та досягнення максимального задоволення покупців якістю обслуговування. Вибір відповідної моделі прогнозування часових рядів залежить від горизонту прогнозу, а також характеристик часового ряду, а саме тренду, сезонності, циклічності та нерегулярності. Традиційні методи аналізу та прогнозування часових рядів призначені для обробки однієї сезонності в часовому ряду, але за наявності множинної сезонності ці методи не працюють задовільно. Застосування методів декомпозиції часового ряду характеризується обчислювальною складністю. Використання методів машинного навчання також не завжди є доцільним з низки різноманітних причин. Таким чином, необхідно використовувати прості адаптивні моделі, на основі вибраних шаблонів, для прогнозування сезонних даних складної структури, що повторюються. Основна мета цієї статті – розробити успішну адаптивну модель та запропонувати методи її використання для короткострокового прогнозування кількості транзакцій на основі даних у вигляді часових рядів. Для цілей оцінки використовується набір погодинних рядів кількості покупців (транзакцій) деяких магазинів роздрібної мережі, що характеризуються множинною сезонністю. Результати обчислювальних експериментів показують, що запропонована модель на основі шаблонів є досить ефективною для отримання короткострокових прогнозних значень. Ця модель, що характеризується простотою, інтуїтивною зрозумілістю і мінімальним числом параметрів, фактично може бути застосована до будь-якої області даних, представлених часовими рядами.
Посилання
Naim I., Mahara T., Idrisi A. R. Effective Short-Term Forecasting for Daily Time Series with Complex Seasonal Patterns. Proc. Comp. Sci. 2018, vol. 132, pp. 1832–1841.
Snityuk V. Ye. Prognozuvannya. Modeli. Metody. Algorytmy [Forecasting. Models. Methods. Algorithms]. Кyiv: Maklaut Publ., 2008. 364 p.
Golyandina N., Usevich K. 2D-extension of Singular Spectrum Analysis: algorithm and elements of theory. In: Matrix Methods: Theory, Algorithms and Applications. World Scientific Publishing, 2010, pp. 449–473.
Haghbin H., Najibi S. M., Mahmoudvand R., Trinka J., Madoliat M. Functional singular spectrum analysis. Stat. 2021, vol. 10, issue 1. e330.
Bodyansiy Ye. V., Vorobyov S. A., Kostiuk O. V., Lyubchyk L. M. Fil’traciya i prognozirovanie trend-sezonnyh vremennyh fyadov na osnove iscusstvennyh neironnyh setey [Filtering and forecasting trend-seasonal time series based on artificial neural networks]. Radioelectronika i informatika. 1998, no. 3, pp. 76–83.
Xiong L., Liu X., Liu Y. Decaying DC and Harmonic Components Detection for Absorbing Impact Load Currents in Weak Grids. IEEE Transactions on Power Delivery. 2020, vol. 36, no. 3, pp. 1907– 1910.
Beltran-Carbajal F., Tapia-Olvera R. An adaptive neural online estimation approach of harmonic components. Electric Power Systems Research. 2020, vol. 186. 106406.
Gheyas I. A., Smith L. S. A Neural Network Approach to Time Series Forecasting. Lecture Notes in Engineering and Computer Science. 2009, vol. 2177, pp. 1292–1296.
Bodyansiy Ye. V., Tishcenko O. K., Kopaliani D. S. Prognozuvannya bagatovymirnyh nestazionarnyh chasovyh rydiv na osnovi adaptyvnoyi neo-fazzi-modeli [Prediction of multidimensional nonstationary time series based on the adaptive neo-fazzi model]. Compyuterni nauky ta informaciyni tehnologii. 2012, no. 744, pp. 312–118.
Korablev N. M., Ivashchenko G. S. Primenenie modeli klonalnogo otbora, ispolzuyushchei vivod po pretsedentam, dlya prognozirovaniya vremennikh ryadov [Application of clonal selection model using precedent inference to predict time series]. Bionika intelekta. 2013, no. 1 (80), pp. 108–111.
Hooi B., Liu S., Smailagic A., Faloutsos C. BEATLEX: Summarizing and Forecasting Time Series with Patterns. Machine Learning and Knowledge Discovery in Databases. Lecture Notes in Computer Science. Vol. 10535. Cham, Springer. pp. 3–19.
Grinberg G. Stock market statistical data analysis for prices forecasting and trading decision support. Proc. of int. conf. “Theory and practice of science”. 2021, vol.58, pp. 283–288.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
ЛіцензіяАвтори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
