ПРОГНОЗУВАННЯ ПОПИТУ НА ПРОДУКЦІЮ ЗА ДОПОМОГОЮ НЕЙРОННИХ МОДЕЛЕЙ ТА ВИКОРИСТАННЯМ ЧАСОВИХ РЯДІВ

Автор(и)

DOI:

https://doi.org/10.31319/2519-8106.1(50)2024.304779

Ключові слова:

інтелектуальна фабрика, Індустрія 4.0, прогнозування даних, часові ряди, нейронна модель ARIMA

Анотація

Попит на продукцію сучасного виробництва стає більш непередбачуваним через швидкі зміни смаків споживачів, глобалізацію, технологічні і економічні зміни, а також вплив зовнішніх чинників. В цьому контексті використання методів прогнозування стає критично важливим елементом стратегій управління виробництвом. Ефективні прогнози попиту дозволяють не лише адаптувати свою виробничу діяльність до поточних ринкових умов, але і забезпечувати сталість постачання продукції на ринок, мінімізуючи витрати і ризики. У роботі розглядається проблема прогнозування попиту на продукцію сучасного виробництва на прикладі сільськогосподарської продукції із використанням методів аналізу наявних даних. Акцент робиться на розумінні та використанні статистичних та математичних моделей прогнозування тенденцій у споживчому попиті на товари та послуги. Враховуючи розвиток сучасних технологій обробки даних та штучного інтелекту, висвітлено можливості застосування таких новітніх підходів, як машинне навчання для поліпшення точності та ефективності прогнозування. В результаті проведеного дослідження була навчена нейронна модель ARIMA для прогнозування попиту на основі наявних даних за минулий період часу за допомогою сучасних інструментів та мови програмування Python. Стаціонарність вхідного часового ряду була підтверджена за допомогою статистичного тесту Дікі-Фуллера, значення якого склало -4.58, а також отриманого p-значення, яке дорівнює 8.7 × 10-19. Якість навченої нейронної моделі була оцінена за допомогою середньої абсолютної помилки та середньоквадратичної помилки. Значення MAE дорівнює 13.23, а MSE — 173.84. Відхилення σ у прогнозуванні склало ~13.19 тон. Також якість моделі підтверджується отриманими прогнозованими результатами на певний період часу в майбутньому. Для візуалізації додаткових характеристик навченої нейронної моделі був побудований графік розподілу частоти даних та Q-Q графік. Розроблений алгоритм навчання нейронної моделі прогнозування на основі наявних даних за минулий період часу є універсальним та може бути у подальшому використаний у металургії, машинобудуванні, хімічній промисловості та інших галузях економіки. Доцільно також порівняти отримані результати з тими, які можуть бути отримані з використанням модифікованої моделі ARIMA — SARIMA, яка враховує сезонність, а отже дозволяє краще прогнозувати попит у певні періоди, наприклад, у відповідь на сезонні тренди чи піки попиту.

Посилання

Bitencourt, H. V., Guimaraes, F. G. (2021). High-dimensional Multivariate Time Series Forecasting in IoT Applications using Embedding Non-stationary Fuzzy Time Series. 2021 IEEE Latin American Conference on Computational Intelligence (LA-CCI) [in English].

DOI: https://doi.org/10.1109/la-cci48322.2021.9769792

Zhao, T., Liu, L., Liu, S., Xie, Y., Qiu, X., Chen, Y. (2022). Research on Production Simulation and scheduling of printing Shop for Intelligent Factory. 2022 IEEE 10th Joint International Information Technology and Artificial Intelligence Conference (ITAIC) [in English].

DOI: https://doi.org/10.1109/itaic54216.2022.9836632

Kalsoom, T., Ramzan, N., Ahmed, S. (2020). Societal Impact of IoT-Lead Smart Factory in the Context of Industry 4.0. 2020 International Conference on UK-China Emerging Technologies (UCET) [in English]. DOI: https://doi.org/10.1109/ucet51115.2020.9205484

Vaddadi, S., Srinivas, V., Reddy, N. A., Devipriya, A. (2022). Factory Inventory Automation using Industry 4.0 Technologies. 2022 IEEE IAS Global Conference on Emerging Technologies (GlobConET) [in English]. DOI: https://doi.org/10.1109/globconet53749.2022.9872416

Cui, S., Chen, M., Zhang, Y., He, L. (2020). Study on Decoupling Control System of Tempera-ture and Humidity in Intelligent Plant Factory. 2020 IEEE 9th Joint International Information Technology and Artificial Intelligence Conference (ITAIC) [in English].

DOI: https://doi.org/10.1109/itaic49862.2020.9339036

Banerjee, S., Martin, R. R., Pardo, A. (2022). Frequency-aware Time Series Forecasting, Anomaly Detection, Classification and Granger Causality. 2022 14th International Conference on COMmunication Systems & NETworkS (COMSNETS) [in English].

DOI: https://doi.org/10.1109/comsnets53615.2022.9668359

Ostroski, D., Slovenec, K., Brajdic, I., Mikuc, M. (2021). Anomaly Correction in Time Series Data for Improved Forecasting. 2021 16th International Conference on Telecommunications (ConTEL) [in English]. DOI: https://doi.org/10.23919/contel52528.2021.9495986

Chen, X., Yu, Y., Huang, Q., Shen, M., Wang, S., Zhang, L. (2023). Time Series-Based Electric Load Forecasting with Mixture of Expert System. 2023 4th International Conference on Intelligent Computing and Human-Computer Interaction (ICHCI) [in English].

DOI: https://doi.org/10.1109/ichci58871.2023.10277743

Rokui, J. (2021). Historical time series prediction framework based on recurrent neural network using multivariate time series. 2021 10th International Congress on Advanced Applied Informat-ics (IIAI-AAI) [in English]. DOI: https://doi.org/10.1109/iiai-aai53430.2021.00084

Zhang, M. (2023). Financial Time Series Frequent Pattern Mining Algorithm Based on Time Series ARIMA Model. 2023 International Conference on Networking, Informatics and Computing (ICNETIC) [in English]. DOI: https://doi.org/10.1109/icnetic59568.2023.00057

Gupta, A., Kumar, A. (2020). Mid Term Daily Load Forecasting using ARIMA, Wavelet-ARIMA and Machine Learning. 2020 IEEE International Conference on Environment and Elec-trical Engineering and 2020 IEEE Industrial and Commercial Power Systems Europe (EEEIC / I&CPS Europe) [in English]. DOI: https://doi.org/10.1109/eeeic/icpseurope49358.2020.9160563

Lu, F., Lv, J., Zhang, Y., Liu, H., Zheng, S., Li, Y., Hong, M. (2021). Ultra-Short-Term Predic-tion of EV Aggregator’s Demond Response Flexibility Using ARIMA, Gaussian-ARIMA, LSTM and Gaussian-LSTM. 2021 3rd International Academic Exchange Conference on Science and Technology Innovation (IAECST) [in English].

DOI: https://doi.org/10.1109/iaecst54258.2021.9695933

Gupta, A., Sharma, K. C., Vijayvargia, A., Bhakar, R. (2019). Very Short term Wind Power Prediction Using Hybrid Univariate ARIMA-GARCH Model. 2019 8th International Conference on Power Systems (ICPS) [in English]. DOI: https://doi.org/10.1109/icps48983.2019.9067611

Güneyi, E. T., Vural, E. (2020). Investigation of Stationarity for Graph Time Series Data Sets. 2020 28th Signal Processing and Communications Applications Conference (SIU) [in English].

DOI: https://doi.org/10.1109/siu49456.2020.9302376

Donoso, P., Schurch, R., Ardila-Rey, J., Montana, J. (2022). Stationarity in Partial Discharge Time Series of Electrical Trees. 2022 IEEE Conference on Electrical Insulation and Dielectric Phenomena (CEIDP) [in English]. DOI: https://doi.org/10.1109/ceidp55452.2022.9985359

Hoyos S., J. P., Pazos, S., Jojoa, P., Arce, G. (2017). Correlation matrix estimation of ordered data using sketches. 2017 XVII Workshop on Information Processing and Control (RPIC) [in English]. DOI: https://doi.org/10.23919/rpic.2017.8214327

Sun, J., Guo, W. (2023). Time Series Prediction Based on Time Attention Mechanism and LSTM Neural Network. 2023 IEEE International Conference on Integrated Circuits and Communication Systems (ICICACS) [in English]. DOI: https://doi.org/10.1109/icicacs57338.2023.10099498

Chudo, S. B. (2022). Multiplicative Seasonal ARIMA Modeling and Forecasting of COVID_19 Daily Deaths in Hungary. 2022 10th International Conference on Bioinformatics and Computa-tional Biology (ICBCB) [in English]. DOI: https://doi.org/10.1109/icbcb55259.2022.9802498

Shoaga, G. O., Ikuzwe, A., Gupta, A. (2022). Forecasting of Monthly Hydroelectric and Solar Energy in Rwanda using SARIMA. 2022 IEEE PES/IAS PowerAfrica [in English].

DOI: https://doi.org/10.1109/powerafrica53997.2022.9905311

Bitencourt H. V., Guimaraes F. G. High-dimensional Multivariate Time Series Forecasting in IoT Applications using Embedding Non-stationary Fuzzy Time Series. 2021 IEEE Latin American Conference on Computational Intelligence (LA-CCI), Temuco, Chile, 2–4 November 2021. 2021. URL: https://doi.org/10.1109/la-cci48322.2021.9769792

Zhao T., Liu L., Liu S., Xie Y., Qiu X., Chen Y. Research on Production Simulation and scheduling of printing Shop for Intelligent Factory. 2022 IEEE 10th Joint International Information Technology and Artificial Intelligence Conference (ITAIC), Chongqing, China, 17–19 June 2022. 2022. URL: https://doi.org/10.1109/itaic54216.2022.9836632

Kalsoom T., Ramzan N., Ahmed S. Societal Impact of IoT-Lead Smart Factory in the Context of Industry 4.0. 2020 International Conference on UK-China Emerging Technologies (UCET), Glas-gow, United Kingdom, 20–21 August 2020. 2020.

URL: https://doi.org/10.1109/ucet51115.2020.9205484

Vaddadi S., Srinivas V., Reddy N. A., Devipriya A. Factory Inventory Automation using Industry 4.0 Technologies. 2022 IEEE IAS Global Conference on Emerging Technologies (GlobConET), Arad, Romania, 20–22 May 2022. 2022.

URL: https://doi.org/10.1109/globconet53749.2022.9872416

Cui S., Chen M., Zhang Y., He L. Study on Decoupling Control System of Temperature and Hu-midity in Intelligent Plant Factory. 2020 IEEE 9th Joint International Information Technology and Artificial Intelligence Conference (ITAIC), Chongqing, China, 11–13 December 2020. 2020.

URL: https://doi.org/10.1109/itaic49862.2020.9339036

Banerjee S., Martin R. R., Pardo A. Frequency-aware Time Series Forecasting, Anomaly Detec-tion, Classification and Granger Causality. 2022 14th International Conference on COMmunica-tion Systems & NETworkS (COMSNETS), Bangalore, India, 4–8 January 2022. 2022.

URL: https://doi.org/10.1109/comsnets53615.2022.9668359

Ostroski D., Slovenec K., Brajdic I., Mikuc M. Anomaly Correction in Time Series Data for Im-proved Forecasting. 2021 16th International Conference on Telecommunications (ConTEL), Za-greb, Croatia, 30 June – 2 July 2021. 2021.

URL: https://doi.org/10.23919/contel52528.2021.9495986

Chen X., Yu Y., Huang Q., Shen M., Wang S., Zhang L. Time Series-Based Electric Load Fore-casting with Mixture of Expert System. 2023 4th International Conference on Intelligent Compu-ting and Human-Computer Interaction (ICHCI), Guangzhou, China, 4–6 August 2023. 2023.

URL: https://doi.org/10.1109/ichci58871.2023.10277743

Rokui J. Historical time series prediction framework based on recurrent neural network using multivariate time series. 2021 10th International Congress on Advanced Applied Informatics (IIAI-AAI), Niigata, Japan, 11–16 July 2021. 2021.

URL: https://doi.org/10.1109/iiai-aai53430.2021.00084

Zhang M. Financial Time Series Frequent Pattern Mining Algorithm Based on Time Series ARI-MA Model. 2023 International Conference on Networking, Informatics and Computing (ICNETIC), Palermo, Italy, 29–31 May 2023. 2023.

URL: https://doi.org/10.1109/icnetic59568.2023.00057

Gupta A., Kumar A. Mid Term Daily Load Forecasting using ARIMA, Wavelet-ARIMA and Ma-chine Learning. 2020 IEEE Ind. Commercial Power Syst. Europe (EEEIC / I&CPS Europe), Madr-id, Spain, 9–12 June 2020. 2020.

URL: https://doi.org/10.1109/eeeic/icpseurope49358.2020.9160563

Lu F. Ultra-Short-Term Prediction of EV Aggregator’s Demond Response Flexibility Using ARI-MA, Gaussian-ARIMA, LSTM and Gaussian-LSTM. 2021 3rd Int. Academic Exchange Conf. Sci. Technol. Innov. (IAECST), Guangzhou, China, 10–12 December 2021. 2021.

URL: https://doi.org/10.1109/iaecst54258.2021.9695933

Gupta A., Sharma K. C., Vijayvargia A., Bhakar R. Very Short term Wind Power Prediction Using Hybrid Univariate ARIMA-GARCH Model. 2019 8th Int. Conf. Power Syst. (ICPS), Jaipur, India, 20–22 December 2019. 2019. URL: https://doi.org/10.1109/icps48983.2019.9067611

Güneyi E. T., Vural E. Investigation of Stationarity for Graph Time Series Data Sets. 2020 28th Signal Processing and Communications Applications Conference (SIU), Gaziantep, Turkey, 5–7 October 2020. 2020. URL: https://doi.org/10.1109/siu49456.2020.9302376

Donoso P., Schurch R., Ardila-Rey J, Montana J. Stationarity in Partial Discharge Time Series of Electrical Trees. 2022 IEEE Conference on Electrical Insulation and Dielectric Phenomena (CEIDP), Denver, CO, USA, 30 October – 2 November 2022. 2022.

URL: https://doi.org/10.1109/ceidp55452.2022.9985359

Hoyos J. P., Pazos S., Jojoa P., Arce G. Correlation matrix estimation of ordered data using sketches. 2017 XVII Workshop on Information Processing and Control (RPIC), Mar del Plata, 20–22 September 2017. 2017. URL: https://doi.org/10.23919/rpic.2017.8214327

Sun J., Guo W. Time Series Prediction Based on Time Attention Mechanism and LSTM Neural Network. 2023 IEEE International Conference on Integrated Circuits and Communication Systems (ICICACS), Raichur, India, 24–25 February 2023. 2023.

URL: https://doi.org/10.1109/icicacs57338.2023.10099498

Chudo S. B. Multiplicative Seasonal ARIMA Modeling and Forecasting of COVID_19 Daily Deaths in Hungary. 2022 10th Int. Conf. Bioinf. Comput. Biol. (ICBCB), Hangzhou, China, 13–15 May 2022. 2022. URL: https://doi.org/10.1109/icbcb55259.2022.9802498

Shoaga G. O., Ikuzwe A., Gupta A. Forecasting of Monthly Hydroelectric and Solar Energy in Rwanda using SARIMA. 2022 IEEE PES/IAS PowerAfr, Kigali, Rwanda, 22–26 August 2022. 2022. URL: https://doi.org/10.1109/powerafrica53997.2022.9905311

##submission.downloads##

Опубліковано

2024-06-17

Номер

№ 1(50) (2024)

Розділ

Статті

Ліцензія

Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:

a. 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.

b. 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.

c. 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).