머신러닝을 활용한 구간별 극점 기반 판매량 예측
Sales Forecasting Based On Sectional Extreme Points Using Machine Learning Methods
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
수요 예측 모델이 과거 데이터에 매우 근접한 결과를 내도록 파라미터를 조정하여 최적화된 모델을 만들었다 하더라도, 이는 과거 데이터를 기반으로 한 것이기 때문에, 다음 예측 구간에서 실제 데이터에 근접한 결과를 가져올 것이라는 보장은 없다. 오히려 정확도가 다소 떨어지더라도 극점을 파악하고 그에 대한 선제적인 대응책을 마련하는 것이 더 나은 결과를 가져올 수 있다고 본 논문은 주장하고자 한다. 특히, 추세의 분석, 즉 극점이 얼마나 변동할지를 파악하는 것은 기업에 중요한 과제가 될 수 있다. 이는 극점 변동에 따른 기회비용을 최소화하는 것이 더 중요한 문제일 수 있기 때문이다. 따라서 본 연구는 데이터의 변동성에 중점을 두어 최고점과 최저점을 찾아내고, 구간을 나누어 극점들을 추출하고 예측함으로써 기존의 수요 예측 방식보다 더 나은 결과를 도출할 수 있을 것이라는 가정 하에 연구를 진행하였다. 그 결과, 기존 방식보다 더 나은 예측 성능을 보였다. 다만, 다양한 기업의 데이터를 실험하지 못했기 때문에, 향후 더 많은 데이터를 활용하여 연구 결과를 일반화할 필요가 있다.
Abstract
Even if the demand forecasting model creates an optimized model by adjusting parameters to produce results very close to past data, since it is based on past data, there is no guarantee that the next prediction interval will produce results close to the actual data. Rather, this paper would like to argue that even if accuracy is somewhat low, identifying extreme points and preparing preemptive countermeasures can lead to better results. In particular, trend analysis, that is, understanding how much the extremes will fluctuate, can be an important task for companies. This is because minimizing opportunity costs due to pole fluctuations may be a more important issue. Therefore, this paper conducted research under the assumption that better results could be derived than existing demand forecasting methods by focusing on the volatility of data, finding the highest and lowest points, dividing the sections, extracting and predicting the extreme points. As a result, it showed better prediction performance than the existing method. However, because we were unable to experiment with data from various companies, it is necessary to generalize the research results by using more data in the future.
참고문헌 (16)
- Box, G. E., "Time Series Analysis: Forecasting and Control" (1976), Holden-Day
- Chen, F., "Quantifying the Bullwhip Effect in a Simple Supply Chain: The Impact of Forecasting, Lead Times, and Information", Management Science, 46, pp.436~443 (2000)
- "Stock Price Correlation Coefficient Prediction with ARIMA-LSTM Hybrid Model" (2018)[URL]
- Coles, S., "An Introduction to Statistical Modeling of Extreme Values" (2001), Springer
- De Myttenaere, A., "Mean Absolute Percentage Error for regression models", Neurocomputing, 192, pp.38~48 (2016)
- Fildes, R., "Good and bad judgment in forecasting : Lessons from four companies", Foresight : The International Journal of Applied Forecasting, (8), pp.5~10 (2007)
- Silver, EA, "Inventory Management and Production Planning and Scheduling" (1998), John Wiley
- Hochreiter, S., "Long short-term memory", Neural computation, 9(8), pp.1735~1780 (1997)
- Hyndman, R. J., "Forecasting: principles and practice" (2018), OTexts
- Ke, G., "Advances in Neural Information Processing Systems 30 (NIPS 2017)", pp.3146~3154 (2017)
- Kim, S., "A new metric of absolute percentage error for intermittent demand forecasts", International Journal of Forecasting, 32(3), pp.669~679 (2016)
- Koh, S. L., "The Impact of Supply Chain Management Practices on Performance of SMEs", Industrial Management & Data Systems, 107, pp.103~124 (2007)
- Lewis, C. D., "Industrial and Business Forecasting Methods" (1982), Butterworths
- Makridakis, S., "The M3-Competition: Results, conclusions, and implications", International Journal of Forecasting, 16(4), pp.451~476 (2000)
- Taylor, S. J., "Forecasting at Scale", The American Statistician, 72(1), pp.37~45 (2018)
- Zhang, G., "Forecasting with artificial neural networks : The state of the art", International journal of forecasting, 14(1), pp.35~62 (1998)