Дослідження архітектур нейронних мереж для підвищення точності прогнозування попиту на продукцію
DOI:
https://doi.org/10.30837/0135-1710.2024.183.035Ключові слова:
нейронні мережі, архітектура, навчання, порівняльний аналіз, попит, прогноз, точністьАнотація
Розглянуто основні архітектури нейронних мереж, які застосовуються для прогнозування попиту на продукцію. Окрему увагу приділено рекурентним нейронним мережам (RNN), що демонструють високу ефективність у роботі з часовими рядами та виявленні залежностей між даними. Детально проаналізовано архітектуру LSTM (Long Short-Term Memory), яка є вдосконаленим варіантом RNN і дозволяє ефективно вирішувати проблему зникаючих градієнтів, що є характерною для традиційних RNN. Завдяки здатності зберігати інформацію на довші періоди LSTM є ідеальною для задач, які потребують аналізу довготривалих залежностей, таких як сезонні коливання попиту на продукцію.
Проаналізовано застосування згорткових нейронних мереж (CNN), які показують добрі результати при обробці структурованих даних, таких як зображення або матриці. Завдяки своїй здатності ефективно виявляти просторові залежності CNN можуть бути корисними для прогнозування попиту, коли необхідно враховувати складні взаємозв’язки між різними ознаками даних, зокрема для оцінки попиту, що залежить від множинних факторів.
Розглянуто архітектури Feedforward Neural Networks (FNN), Gated Recurrent Units (GRU), Attention-based models (ABM) та Autoencoders (AE), які також можуть бути застосовані для вирішення задач прогнозування попиту. Виконано порівняльний аналіз архітектур з точки зору точності прогнозу та здатності працювати з часовими рядами.
Завдяки порівнянню швидкості навчання, часу обробки даних та надійності різних архітектур, з точки зору стабільності результатів та надійності прогнозів, визначено, що для прогнозування попиту на продукцію найефективнішими є мережі, які використовують архітектуру LSTM. Ці мережі забезпечують високу точність та надійність результатів, а також добре працюють з часовими рядами, що є важливим для прогнозування попиту в умовах динамічних змін.
Посилання
Parthasarathy N.М.К., Rastogi S., K A. Demand Forecasting in Supply Chain Management using CNN-LSTM Hybrid Model. Proceedings of the 2023 14th International Conference on Computing Communication and Networking Technologies, 2023, Delhi, India. doi: 10.1109/ICCCNT56998.2023.10307665
Jahin M. A., Shahriar А., Amin M. A. MCDFN: Supply Chain Demand Forecasting via an Explainable Multi-Channel Data Fusion Network Model Integrating CNN, LSTM, and GRU. IEEE Xplore. 2024, doi: 10.48550/ARXIV.2405.15598
Gassar A.A.A. Short-Term Energy Forecasting to Improve the Estimation of Demand Response Baselines in Residential Neighborhoods: Deep Learning vs. Machine Learning. Buildings. 2024. Vol. 14(7). Р. 2242. doi: https://doi.org/10.3390/buildings14072242
Li W., Law K.L.E. Deep Learning Models for Time Series Forecasting: A Review. IEEE Access, 2024. Vol. 12. C. 92306-92327. doi: 10.1109/ACCESS.2024.3422528
Shiri M. F., Perumal T., Mustapha N., Mohamed R. A comprehensive overview and comparative analysis on deep learning models: CNN, RNN, LSTM, GRU. Cornell University. 2023. 61 p. doi: https://doi.org/10.48550/arXiv.2305.17473
Nguyen V., Duong M., Le M. Electricity Demand Forecasting for Smart Grid Based on Deep Learning Approach. Proceedings of International Conference on Green Technology and Sustainable Development, 2020. Р. 353-357. doi: 10.1109/ICSES.2024.9303164
Oukassi H., Hasni M., Layeb S. Long Short-Term Memory Networks for Forecasting Demand in the Case of Automotive Manufacturing Industry. International Conference on Advanced Systems and Emergent Technologies, 2023. doi: 10.1109/ICAR.2024.10150543
Aguiar-Pérez, J. M., Pérez-Juárez, M. A. An Insight of Deep Learning Based Demand Forecasting in Smart Grids. Sensors. 2023. 23(3). Р. 1467. doi: 10.3390/s23031467
Capone, V., Iannuzzo, G., Camastra, F. Deep Learning for Time Series Forecasting: Advances and Open Problems. Information. 2023. 14(11). Р. 598. doi: 10.3390/info14110598
Oucheikh, R., Benmoussa, O., Mabrouki, C. Machine Learning and Deep Learning Models for Demand Forecasting in Supply Chain Management: A Critical Review. Applied System Innovation. 2024. 7(5). Р. 93. doi: 10.3390/asi7050093
Benti N., Chaka M., Semie A. Forecasting Renewable Energy Generation with Machine Learning and Deep Learning: Current Advances and Future Prospects. Energy Transition for Climate-Inclusive Growth and Sustainable Environments. 2023. 15(9). Р. 7087. doi: https://doi.org/10.3390/su15097087
