لطفا منتظر بمانید ...
0% Complete
صفحه اصلی
/
دهمین كنفرانس بين المللی مهندسی صنايع و سيستم ها
Demand forecasting based on deep learning methods for univariate time series
نویسندگان :
Seyed Masoud Mousavi
1
Shahrokh Asadi
2
1- دانشگاه تهران دانشکدگان فارابی
2- دانشگاه تهران
کلمات کلیدی :
Demand forecasting،pharmaceutical supply chain،Deep learning،LSTM،MLP،ARIMA
چکیده :
Forecasting demand accurately is crucial for effective supply chain planning, budget control, and achieving sales goals. Decision-makers rely on this information to understand customer needs, the required quantity, and timing. We researched how deep learning models and neural networks can predict pharmaceutical demand to improve supply chain performance in sales, marketing, and product development. We assessed three univariate pharmaceutical time series and broke down each time series into trend, seasonal, and residual components. Then, we created a data frame containing these components and the time series. After dividing the data into training (70%), validation (15%), and testing (15%) sets, we analyzed the time series using Long Short-Term Memory (LSTM), Multilayer Perceptron (MLP), and Autoregressive Integrated Moving Average (ARIMA) models. We used Bayesian Optimization to fine-tune the hyperparameters in LSTM and MLP models and followed the Box-Jenkins methodology to create seasonal ARIMA models with exogenous variables. Our research found that the LSTM model slightly outperformed the MLP model and the ARIMA model in daily time series, with Root Mean Squared Error (RMSE) of 1.606, 1.135, and 1.125 compared to 1.650, 1.152, and 1.161 for the MLP model. These findings suggest that the LSTM model can effectively identify complex time-based dependencies within pharmaceutical demand data.
لیست مقالات
لیست مقالات بایگانی شده
بررسی میزان پذیرش سیستم بایگانی تصاویر و ارتباطات(PACS)توسط پزشکان و رادیولوژیستها در بیمارستانهای آموزشی
عاطفه بدوی - گلناز تاج الدین - توکتم خطیبی
مدلسازی و تحلیل مسئله تخصیص سفارش در پلتفرمهای تحویل بر پایه تقاضا با استفاده از برنامهریزی دوسطحی و حل دقیق آن
سیدمحمدرضا قریشی - نفیسه صدقی - کوروش عشقی
ارزیابی مقوله‌های موثر بر ایجاد چالش‌های نسلی کارکنان در سازمان‌ها با رویکرد بهترین-بدترین بیزی(مطالعه موردی در بانک)
رضا قاسمی یقین - طاها احمدی پرگو
Time series forecasting of COVID-19 in Iran using Holt-Winters smoothing methods
Naeme Zarrinpoor - Neda Khosravifard
A Hybrid Prediction Model Based on Machine Learning and Random Walk Stochastic Processes in the Cryptocurrency market
Sana Aghajan navesi - Omid Hasanpour jesri - Ezatollah Abbasian
استفاده از روش بهترین-بدترین و تاپسیس برای رتبه‌بندی محصولات (مطالعه موردی شرکت پتروشیمی خراسان)
فهیمه تنهایی - صدف نیسی
ارائه مدل یکپارچه کارت امتیازی متوازن (BSC)و OKR برای همراستاسازی اهداف استراتژیک در سطوح سازمانی، واحدی و فردی: مطالعه موردی در صنعت داروسازی
مصباح الدین سلامی
طراحی شبکه تاب آور زنجیره تأمین خون با رویکرد بهینه سازی و مدیریت ضایعات خون
محمد حسن بخشی - یوسف شمس تبار - اشکان مزدگیر
قیمتگذاری پویا برای خدمات سواری آنلاین با در نظر گرفتن درصد پورسانت ثابت
کیمیا فضلی - انور محمودی
پایش میانگین طول عمر محصولات با استفاده از نمودارهای کنترل شوهارت و EWMA تحت آزمون طول عمر سانسورشدگی خرابی
پوریا محمدی‌پور - هیوا فاروقی - حسن رسائی
بیشتر
ثمین همایش، سامانه مدیریت کنفرانس ها و جشنواره ها - نگارش 44.9.3
