Wykorzystanie sieci neuronowych do prognozowania szeregów czasowychWykorzystanie sieci neuronowych do prognozowania szeregów czasowychWykorzystanie sieci neuronowych do prognozowania szeregów czasowychWykorzystanie sieci neuronowych do prognozowania szeregów czasowych
  • Produkty
  • Jak działa Dature
  • O nas
  • Baza wiedzy
  • Współpraca
  • Wsparcie
  • UE Flaga
  • Polski
    • Angielski
Polski
  • Angielski
✕
            Brak wyników wyszukiwania Zobacz wszystkie wyniki
            Klasyczne ujęcie błędów prognoz jako determinant skuteczności procesu prognozowania popytu i ich wykorzystanie w przypadku zastosowania sieci neuronowych
            13 grudnia 2021
            Sieci konwolucyjne
            5 stycznia 2022
            Aktualności

            Wykorzystanie sieci neuronowych do prognozowania szeregów czasowych

            Sieć neuronowa jest systemem przetwarzania informacji, którego  budowa i zasada działania są wzorowane na budowie i zasadach działania ludzkiego mózgu. Sieć neuronowa składa się z trzech typów warstw:

            • wejściowej, w której zbierane są dane,
            • ukrytej, w której poszukiwane są powiązania między neuronami, zatem w tej warstwie zachodzi tzw. proces uczenia się,
            • wyjściowej, w której gromadzone są wnioski oraz wyniki analizy.

            Do pierwszej warstwy trafiają surowe dane wejściowe. Często dane te określane są jako nieprzetworzone, w praktyce jednak wymagają one odpowiedniego przygotowania. Kolejna warstwa otrzymuje dane będące wynikiem przetworzenia danych w warstwie poprzedniej. W ostatniej warstwie generowane są dane wyjściowe systemu.

            Każda warstwa zbudowana jest z neuronów. Liczba warstw w sieci oraz neuronów w warstwie może być dowolna, jedynym ograniczeniem jest zdolność infrastruktury do obsłużenia sieci.  Neurony są ze sobą połączone umożliwiając przepływ sygnałów od wejść do wyjść, a każde połączenie ma określoną wagę. Połączenia między neuronami tworzą jednocześnie połączenia pomiędzy warstwami. W  neuronach odbywa się agregacja wprowadzonych danych, z zewnątrz lub z poprzedniej warstwy, oraz ich przekształcenie. W trakcie procesu uczenia wagi sieci są modyfikowane, sieć sama wykrywa wzorce i istniejące współzależności wykorzystując dane uczące. Każdy neuron przeprowadza własne proste obliczenia, a dzięki połączeniu neuronów w sieć potencjał obliczeń zostaje zwielokrotniony (co pozwala na posłużenie się w opisie sieci neuronowych analogią do budowy i działania mózgu – jedna komórka nerwowa może niewiele, struktura zawierająca miliardy takich komórek staje się bardzo zaawansowanym ewolucyjnie organem).

            Potencjalnych zastosowań sieci neuronowych jest wiele, do najpopularniejszych można zaliczyć:

            • rozpoznawanie twarzy,
            • automatyczne transkrypcja mowy na tekst,
            • rozpoznawanie pisma ręcznego.

            Jednym z bardziej obiecujących kierunków rozwoju sieci neuronowych jest prognozowanie szeregów czasowych. Szereg  czasowy to charakterystyczny typ danych, które są efektem  obserwacji  rozwoju pewnych zjawisk  w  czasie.  W  szeregu  czasowym  wyróżnia się dwa rodzaje składowych:

            • składową systematyczną,  związana procesem deterministycznym, jest ona efektem  oddziaływań  określonych  czynników  na  badane zjawisko,
            • składową przypadkową, związana z procesem stochastycznym, która jak sama nazwa wskazuje jest efektem działań o charakterze losowym.

            Składowa systematyczna może występować w postaci trendu, średniego stałego poziomu lub składowej periodycznej (cyklicznej lub sezonowej).

            Specyfika szeregów czasowych wymusza odpowiednie podejście do problemu prognozowania. Konieczne jest zastosowanie metod,  które  uwzględniają  zmiany  zachodzące  w  czasie  i  mogą  opisać  związane  z  tym  prawidłowości.  Wyznaczając  prognozy  przyszłych  wartości  zmiennej  mającej  postać  szeregu  czasowego  korzysta  się  przede  wszystkim  z jej  przeszłych  wartości. Z tego powodu do prognozowania zmiennych ewoluujących w czasie wykorzystuje się rekurencyjne sieci neuronowe (Recursive Neural Networks, RNN). O ile w  przypadku tradycyjnej sieci neuronowej zakłada się, że wszystkie wejścia (i wyjścia) są niezależne od siebie, to sieci RNN wykonują to samo zadanie dla każdego elementu sekwencji, a dane wyjściowe zależą od poprzednich obliczeń. Można więc obrazowo powiedzieć, że sieci rekurencyjne posiadają ”pamięć”, która przechwytuje informacje o tym, co zostało obliczone do tej pory. Sieci RNN mają rzecz jasna swoje wady i ograniczenia, do najważniejszych należą długi czas trenowania i stopniowe zanikanie pamięć pierwszych wejść (po pewnym czasie stan RNN nie zawiera praktycznie żadnych śladów pierwszych wejść). Ten ostatni problem został rozwiązany poprzez zastosowanie neuronów z długoterminową pamięcią. Tę koncepcję realizują sieci typu LSTM (Long Short-Term Memory) oraz ich uproszczona wersja , sieć typu GRU (Gated Recurrent Unit).

            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