ТҰТЫНУШЫЛЫҚ СҰРАНЫСТЫ БОЛЖАУ МӘСЕЛЕСІНДЕГІ DOE ЖӘНЕ ОҢТАЙЛАНДЫРУ ӘДІСТЕРІ
Article Sidebar
Main Article Content
Аңдатпа
Бұл мақалада тұтынушылық сұранысты болжау мәселесінде Design of Experiments (DOE) және оңтайландыру әдістерін біріктіру қарастырылады. Дәл сұраныс болжамы бөлшек сауда, өндірісті жоспарлау, баға белгілеу, қорларды басқару және жеткізу тізбегін үйлестіру үшін маңызды аналитикалық міндет болып табылады. Қазіргі тұтынушылық сұраныс маусымдық, жарнамалық, мінез-құлықтық және сыртқы нарықтық факторлардың күрделі әсеріне тәуелді, сондықтан дәстүрлі болжау модельдері динамикалық ортада жеткіліксіз болуы мүмкін. Зерттеуде DOE маңызды сұраныс факторларын анықтау, өзара әрекеттесу әсерлерін талдау және болжау факторларын таңдаудағы белгісіздікті азайту үшін құрылымдық статистикалық құрал ретінде ұсынылады. Оңтайландыру әдістері, соның ішінде градиенттік іздеу, эволюциялық алгоритмдер, стохастикалық тәсілдер және Байестік оңтайландыру, модель конфигурациясын, гиперпараметрлерді таңдауды және болжау дәлдігін жақсартуға мүмкіндік береді. Мақалада DOE факторларды іріктеу мен эксперименттік құрылымдауды қамтамасыз ететін, ал оңтайландыру әдістері болжамдық модельдерді нақтылайтын интеграцияланған әдістемелік құрылым ұсынылады. Ұсынылған тәсіл машиналық оқыту, гибридті болжау және бизнес-аналитика үшін өзекті, өйткені ол болжам дәлдігін модельдің түсіндірмелілігімен біріктіреді. Зерттеу DOE мен оңтайландыруды бірге қолдану модель ашықтығын арттырып, эксперименттік шығындарды азайтып, белгісіздік жағдайында деректерге негізделген басқарушылық шешімдерді қолдайтынын көрсетеді.
Article Details
##submission.citations##
Azadeh, A., & Tarverdian, S. (2007). Integration of genetic algorithm, computer simulation and design of experiments for forecasting electrical energy consumption. Energy Policy, 35(10), 5229-5241. https://doi.org/10.1016/j.enpol.2007.04.020
Balestrassi, P. P., Popova, E., Paiva, A. P., & Lima, J. W. M. (2009). Design of experiments on neural network's training for nonlinear time series forecasting. Neurocomputing, 72(4-6), 1160-1178. https://doi.org/10.1016/j.neucom.2008.02.002
Bao, T., Duffy, J., & Hommes, C. (2013). Learning, forecasting and optimizing: An experimental study. European Economic Review, 61, 186-204. https://doi.org/10.1016/j.euroecorev.2013.04.003
Bergstra, J., & Bengio, Y. (2012). Random search for hyper-parameter optimization. Journal of Machine Learning Research, 13, 281-305.
Ferreira, K. J., Lee, B. H. A., & Simchi-Levi, D. (2016). Analytics for an online retailer: Demand forecasting and price optimization. Manufacturing & Service Operations Management, 18(1), 69-88. https://doi.org/10.1287/msom.2015.0561
Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and practice (3rd ed.). OTexts.
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2022). M5 accuracy competition: Results, findings, and conclusions. International Journal of Forecasting, 38(4), 1346-1364. https://doi.org/10.1016/j.ijforecast.2021.11.013
Montgomery, D. C. (2019). Design and analysis of experiments (10th ed.). Wiley.
Snoek, J., Larochelle, H., & Adams, R. P. (2012). Practical Bayesian optimization of machine learning algorithms. Advances in Neural Information Processing Systems, 25, 2951-2959.
Zohdi, M., Rafiee, M., Kayvanfar, V., & Salamiraad, A. (2022). Demand forecasting based machine learning algorithms on customer information: An applied approach. International Journal of Information Technology, 14(4), 1937-1947. https://doi.org/10.1007/s41870-022-00875-3