Termékkereslet előrejelzés nagyvállalati környezetben mély neurális hálózatok alkalmazásával

OData támogatás
Konzulens:
Dr. Gyires-Tóth Bálint Pál
Távközlési és Médiainformatikai Tanszék

Diplomatervezésem során termékkereslet előrejelzéssel foglalkoztam. Ez a folyamat köztudottan kulcsfontosságú szerepet tölt be a termelő vállalatok mindennapi működése során. Fő célja, hogy egyensúlyba hozza a jövőbeli keresletet és kínálatot. Ismertettem az ellátási lánc menedzsment fogalmát és elméletét. Elemeztem a manapság kereslet előrejelzési feladatra széleskörben használt megoldásokat és módszereket. Megismerkedtem a neurális hálózatok elméleti hátterével, és erre támaszkodva gyakorlati alkalmazást készítettem. Dolgozatom célja az volt, hogy elkészítsek egy kereslettervezésre alkalmas, a területet illetően még kevésbé elterjedt neurális hálózati megoldást, majd eredményességét összehasonlítsam a klasszikusnak mondható módszerekkel. Ehhez többek között az általánosságban elismert és alkalmazott ARIMA modellt vettem viszonyítási alapul.

Munkám során törekedtem a legfrissebb technológiákat, és kutatási eredményeket felhasználni. Kitűzött feladataim közé tartozott a szükséges adatok beszerzése, megértése, előkészítése is. A munkám során többféle neurális hálózat architektúrával végeztem kísérleteket és értékeltem jóságukat. Ezen túl egyéb strukturális variációkat is kipróbáltam, mint például a kategorikus változók beágyazását (Entity Embeddings). A megvalósításhoz két különböző adatforráson dolgoztam, az egyik egy publikus elérésű adatbázis, a németországi Rossmann üzletlánc és a tudományos versenyeket szervező Kaggle jóvoltából, a másikat az SAP egyik ügyfelének köszönhetem. Mindkét adathalmaz historikus adatokat tartalmaz a vásárlási szokásokat illetően. A különbség, hogy míg az előzőben értékesítési adatok szerepelnek, az utóbbi rendelési mennyiségeket foglal magába. A neurális hálózat ideális paramétereinek megtalálására is tettem lépéseket, ami alatt a hiperparaméter optimalizálást értem. Külön kihívást jelentett a megfelelő bemeneti adatok előállítása és kiválasztása.

A diplomatervezés során nagyszámú, különböző terméket egyszerre feldolgozni képes mély neurális hálózatot készítettem kereslettervezés céljából. A pontosabb előrejelzés reményében közösségi hálózatról származó véleményeket is feldolgoztam, ezzel elkészítve az aggregált modell szentiment elemző részét. A modell eredményességét mértem, és összehasonlítottam egyéb megoldásokkal.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.