Klasyczne ujęcie błędów prognoz jako determinant skuteczności procesu prognozowania popytu i ich wykorzystanie w przypadku zastosowania sieci neuronowychKlasyczne ujęcie błędów prognoz jako determinant skuteczności procesu prognozowania popytu i ich wykorzystanie w przypadku zastosowania sieci neuronowychKlasyczne ujęcie błędów prognoz jako determinant skuteczności procesu prognozowania popytu i ich wykorzystanie w przypadku zastosowania sieci neuronowychKlasyczne ujęcie błędów prognoz jako determinant skuteczności procesu prognozowania popytu i ich wykorzystanie w przypadku zastosowania sieci neuronowych
  • Produkty
  • Jak działa Dature
  • O nas
  • Baza wiedzy
  • Współpraca
  • Wsparcie
  • UE Flaga
  • Polski
    • Angielski
Polski
  • Angielski
✕
            Brak wyników wyszukiwania Zobacz wszystkie wyniki
            Budowanie zapasu sezonowego przed świątecznym pikiem sprzedaży
            15 października 2020
            Wykorzystanie sieci neuronowych do prognozowania szeregów czasowych
            22 grudnia 2021
            Aktualności

            Klasyczne ujęcie błędów prognoz jako determinant skuteczności procesu prognozowania popytu i ich wykorzystanie w przypadku zastosowania sieci neuronowych

            Wraz z rosnącymi możliwościami przetwarzania dużych wolumenów danych obejmujących informacje endogeniczne (pochodzące z wnętrza organizacji) jak i egzogeniczne (pochodzące z otoczenia w jakim działa organizacja) coraz większym zainteresowaniem cieszy się  zastosowanie sieci neuronowych w prognozowaniu popytu i optymalizacji łańcucha dostaw.

            Czy przejście z prognozowania popytu opartego o podejście klasyczne na model wykorzystujący sieci neuronowe jest procesem prostym ? Zacznijmy od kwestii związanej z liczeniem błędu prognozy.

            W przypadku zastosowania klasycznego podejścia do obliczania błędów prognoz, błąd prognozy jest rozumiany jako odchylenie rzeczywistych wartości zmiennej prognozowanej, jakie zrealizują się w okresie prognozowania, od postawionych prognoz. Wyróżnić można dwa rodzaje błędów prognoz:

            • błąd prognozy ex post, który służy do oceny jej trafności,
            • błąd prognozy ex ante, informujący o dopuszczalności prognozy.

            Pierwszy z nich określa się po upływie czasu, na który prognoza była ustalona (gdy jest już znana realizacja zmiennej prognozowanej), drugi z kolei przed upływem tego czasu.

            Jakość modelu prognostycznego określa jego zgodność z danymi empirycznymi czyli stopień w jakim model dopasowany jest do danych empirycznych. Do oceny jakości modelu prognostycznego można wykorzystać m.in. współczynnik determinacji (współczynnik dopasowania), który przyjmuje wartości z przedziału [0,1] i opisany jest wzorem:

            Trafność prognozy może być wyznaczona za pomocą błędów ex post należących do jednej z dwóch grup.

            Pierwszą grupę stanowią błędy, które wyznacza się dla pojedynczego okresu (bezwzględny i względny błąd prognozy ex post). Bezwzględny błąd prognozy ex post (ang. Error) informuje o odchyleniu prognozy od wartości rzeczywistej w danej jednostce czasu i oblicza się według wzoru:

            Względny błąd prognozy ex post  (ang. Percentage Error – PE) przekazuje tę samą informację co bezwzględny z tą różnicą, że jego wielkość jest wyznaczana w procentach wartości rzeczywistej. Błąd ten oblicza się według wzoru:

            Drugą grupę stanowią błędy średnie, które charakteryzują cały przedział empirycznej weryfikacji. Należą do nich m.in. średni kwadratowy (standardowy) błąd prognozy ex post (ang. Root Mean Square Error – RMSE), obliczamy według wzoru:oraz średni bezwzględny błąd prognozy ex post (ang. Mean Absolute Percentage Error – MAPE), którego wartość wyznacza się w % zgodnie z poniższym wzorem:Niestety powyższe formuły nie przekładają się jednak w sposób bezpośredni na wyznaczenie błędów prognoz przy zastosowaniu sieci neuronowej. W tym przypadku konieczne jest wydzielenie zbioru uczącego, testującego i niedeterministyczne podejście do procesu wyznaczania przedziałów predykcji prognoz, ale o tym w osobnym artykule.

            Niniejszy artykuł powstał dzięki środkom pochodzącym ze współfinansowania przez Unię Europejską Programu Operacyjnego Inteligentny Rozwój 2014-2020, projektu realizowanego w ramach konkursu Narodowego Centrum Badań i Rozwoju: w ramach konkursu „Szybka Ścieżka” dla mikro-, małych i średnich przedsiębiorców – konkurs dla projektów z regionów słabiej rozwiniętych w ramach Działania 1.1: Projekty B+R przedsiębiorstw Poddziałanie 1.1.1 Badania przemysłowe i prace rozwojowe realizowane przez przedsiębiorstwa. Tytuł projektu: „Stworzenie oprogramowania do poprawy trafności prognoz i optymalizacji zapasów z perspektywy odbiorcy i dostawcy współpracujących w ramach łańcucha dostaw przy zastosowaniu rozmytych, głębokich sieci neuronowych”.

            Udostępnij
            OSTATNIE WPISY
            • Quick Response jako szybka reakcja na potrzeby klienta w kontekście zarządzania zapasami
            • Optymalizacja łańcucha dostaw
            • Czym jest i dokąd zmierza sztuczna inteligencja
            • Istota klasycznego modelu odnawiania zapasów opartego na przeglądzie okresowym 
            TAGI
            • #bullwhip-effect
            • #covid19
            • #łańcuch-dostaw
            • #NCBiR
            • #optymalizacja-zapasów
            • #out-of-stock
            • #outllier
            • #overstock
            • #prognozowanie
            • #prognozowanie-popytu
            • #Program-Operacyjny-Inteligentny-Rozwój-2014-2020
            • #projekcja-zapasów
            • #projekcja-zapasów-w-czasie
            • #service-level-dostawcy
            • #sieci-neuronowe
            • #supplychain
            • #zapas-bezpieczeństwa
            • #zapas-sezonowy
            • #zapas-zabezpieczający
            • #zarządzanie-zapasem

            Powiązane wpisy

            9 stycznia 2023

            Optymalizacja łańcucha dostaw


            PRZECZYTAJ

            Wybuch pandemii COVID-19 w 2020 roku istotnie wpłynął na przepływ towarów i usług. Wiele krajów zamknęło swoje granice, doszło do zaburzeń w łańcuchach dostaw, często do […]

            10 listopada 2022

            Czym jest i dokąd zmierza sztuczna inteligencja


            PRZECZYTAJ

            Sztuczna inteligencja (AI) jest jednym z najgorętszych tematów we współczesnym świecie. Jest to stosunkowo nowa dziedzina nauki. Początkowo nazywano ją cybernetyką, która istnieje od lat 40. […]

            8 listopada 2022

            Istota klasycznego modelu odnawiania zapasów opartego na przeglądzie okresowym 


            PRZECZYTAJ

            Podstawową cechą opisywanego modelu jest to, że zamówienie składane jest w określonym cyklu o stałym okresie przeglądu (ang. ROC – Re-order Cycle). Wielkość zamówienia w tym […]

            Już teraz

            Zapisz się do newslettera

              Podanie danych w formularzu jest niezbędne do subskrypcji newslettera. Dane z formularza przetwarzane będą na podstawie udzielonej zgody art. 6 ust. 1 lit. a) RODO. Administratorem Twoich danych jest Smartstock Sp. z o.o. z Poznania (ul. Królowej Jadwigi 43, 61-871 Poznań, biuro@smartstock.cloud). Wszelkie informacje w zakresie przetwarzania danych podanych w formularzu oraz posiadanych uprawnieniach znajdziesz w Polityce Prywatności.


              TEL. +48 534 288 279
              biuro@dature.cloud

              Smartstock Sp z o.o.
              ul. Królowej Jadwigi 43
              61-871 Poznań

              Zapisz się do newslettera

              NIP: 7812000413
              REGON: 384284847
              KRS: 0000802331

              • LinkedIn
              • Facebook

              Polityka prywatności i cookies   Regulamin aplikacji   Wsparcie techniczne   Zmiana decyzji co do cookies

              Wszelkie prawa zastrzeżone. © SMARTSTOCK Sp. z o.o.
              Polski
                        Brak wyników wyszukiwania Zobacz wszystkie wyniki
                        • Polski
                        • Angielski