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
مدل استکلبرگ و قرارداد تسهیم درآمد در تصمیمات قیمتگذاری و تبلیغات سبز زنجیره تأمین چندتولیدکنندهای دوکاناله
افسانه اصغرپور - حسین کریمی - هاشم وحدانی
بررسی مدلهای یادگیری ماشین در پیشبینی روند ارزهای دیجیتال
پژمان پیکانی - دانیال صبور
شبیه سازی و تحلیل ریسک خروج از خط قطار حامل سیکلوهگزانون در آمریکا
مریم حسین زائی - کوثر عباسی - زهرا حقیقی - سبحان محمدپور - امیرحسین گل آبادی - مرتضی باقری
اولویتبندی پروژههای توسعهای منطقه ویژه اقتصادی سرخس با استفاده از روش AHP-TOPSIS
محمدرضا بنائی مقدم - علیرضا ایزدی - پریسا لقمانی یزدی
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
Enhancing the efficiency of a biofuel supply chain network by designing a price offering mechanism
AmirSaeed Nikkhah Qamsari - SeyedJavad Hosseininezhad
پیادهسازی و مقایسه روشهای یادگیری ماشین در ارزیابی ریسک اعتباری مشتریان موسسات اعتباری و مالی
زهرا فتحی اقدم - محمدرضا رسولی
شبیهسازی تخصیص کامیون به بیل در معادن روباز با رویکرد یادگیری تقویتی
عرفان مزینانی - نسیم نهاوندی
زمان بندی فرود و پرواز هواپیماها با در نظر گرفتن زمان های حرکت هواپیماها بین باند و گِیت و الگوهای ایجاد تأخیر در زمان فرود
حامد ریحانه - مریم رادمان - محمد ریحانه
ارائه یک رویکرد چند هدفه برای چیدمان دپارتمانهای با مساحت نابرابر با استفاده از روش نوین ساختار نواری و الگوریتم ژنتیک مرتبسازی نامغلوب
سروش صفرزاده - حسین عاکفی
بیشتر
ثمین همایش، سامانه مدیریت کنفرانس ها و جشنواره ها - نگارش 44.8.0
