Πιθανοτικές προβλέψεις με χρήση ντετερμινιστικών μεταβλητών και μοντέλων μηχανικής μάθησης

Abstract

Ένα πρόβλημα που αντιμετωπίζει διαχρονικά ο κλάδος του λιανεμπορίου, είναι η απο-τελεσματική αναπλήρωση του αποθέματος προϊόντων. Οι παράγοντες που επηρεάζουν τη ζήτηση και ως εκ τούτου τη διαδικασία αναπλήρωσης, περιλαμβάνουν μεταξύ άλ-λων τις προωθητικές ενέργειες του ίδιου του καταστήματος, την εποχιακότητα και τα ειδικά γεγονότα. Επομένως, κάθε πρόβλεψη ζήτησης οφείλει να λαμβάνει υπόψη τους συγκεκριμένους παράγοντες και να τους αξιοποιεί βέλτιστα για τη μείωση του σφάλ-ματος. Ταυτόχρονα, η πρόοδος των υπολογιστικών συστημάτων, έχει οδηγήσει στην κατακόρυφη άνοδο της τεχνητής νοημοσύνης και εδραιώσει τα μοντέλα μηχανικής μά-θησης στον τομέα των προβλέψεων χρονοσειρών. Στην παρούσα διπλωματική εργασία εξετάζεται η συνεισφορά ενδεικτικών ντετερμινι-στικών μεταβλητών, όπως οι παράγοντες που αναφέρθηκαν παραπάνω, στην ακρίβεια πρόβλεψης ζήτησης και διερευνάται αν πράγματι αυτές ωφελούν την τελική πρόβλεψη ή εισάγουν περιττή πληροφορία, μειώνοντας έτσι την απόδοση των μοντέλων. Η ανά-λυση επικεντρώνεται στην αξιολόγηση πιθανοτικών προβλέψεων θεωρώντας διάστημα εμπιστοσύνης 95%, το οποίο επιλέγεται συχνά από τις επιχειρήσεις για την εξασφάλιση υψηλής διαθεσιμότητας προϊόντων στις αποθήκες, χρησιμοποιώντας παράλληλα το σύνολο δεδομένων του διαγωνισμού προβλέψεων M5, που αφορά στις πωλήσεις προϊόντων σε δέκα καταστήματα της Walmart. Ξεκινώντας από κλασικές μεθόδους που χρησιμοποιούνται κατά κόρον για την πρό-βλεψη της ζήτησης στον κλάδου του λιανεμπορίου, όπως η απλή μέθοδος εκθετικής εξομάλυνσης και τα μοντέλα ARIMA με εξωγενείς μεταβλητές, καταλήγουμε σε μο-ντέλα μηχανικής μάθησης και πιο συγκεκριμένα σε δέντρα παλινδρόμησης αξιοποιώ-ντας τον αλγόριθμο LightGBM. Με αυτό τον τρόπο εξετάζονται και μη γραμμικά μο-ντέλα πρόβλεψης τα οποία δεν υποθέτουν κάποια συγκεκριμένη κατανομή για τη ζή-τηση αλλά την εκτιμούν εμπειρικά με βάση τα διαθέσιμα δεδομένα. Τα αποτελέσματα της εργασίας δείχνουν ότι η χρήση των μοντέλων μηχανικής μάθη-σης παρουσιάζει αρκετά βελτιωμένα αποτελέσματα στην ακρίβεια πρόβλεψη ζήτησης σε σχέση με τις κλασικές μεθόδους και πως η χρήση ντετερμινιστικών μεταβλητών είναι απαραίτητη για την καλύτερη παραμετροποίηση των μοντέλων πρόβλεψης.