پیش بینی تقاضای سفارشی با استفاده از شبکه عصبی LSTM: مطالعه موردی تولیدی لباس کار

در این پژوهش، یک رویکرد داده محور مبتنی بر شبکه عصبی حافظه طولانی مدت کوتاه مدت (LSTM) برای پیشبینی تقاضا براساس سفارش (MTO) در یک واحد تولیدی لباس کار ارائه شد. داده های ثبت سفارش محصول منتخب (شلوار) طی سال های ۱۴۰۰ تا ۱۴۰۳ گردآوری و پس از پاکسازی، نرمال سازی و استخراج ویژگی های زمانی و عملیاتی شامل روندهای فصلی، تقاضاهای دوره های پیشین و شدت تبلیغات در سه بازه تجمیع زمانی هفتگی، دو هفته ای و ماهانه آماده سازی و به مدل وارد شدند. معماری شبکه متناسب با نیاز مساله طراحی گردید و آموزش مدل با بهینه ساز Adam همراه با پایش مجموعه اعتبارسنجی انجام شد. ارزیابی کمی با معیارهای MAE، RMSE و MAPE نشان داد که بازه زمانی تجمیع ماهانه با مقدار MAPE برابر با ۱.۴۵ کمترین خطا را داشته و نسبت به دو سطح دیگر عملکرد برتری دارد. این یافته بیانگر آن است که انتخاب بازه های تجمیع بلندمدت، تر نوسانات داده های پراکنده محیط های MTO را کاهش داده و امکان پیشبینی دقیق تر تقاضا با استفاده از شبکه LSTM را فراهم می سازد.

Keywords:

پیش بینی تقاضا , شبکه عصبی LSTM , صنعت , پوشاک , هوش مصنوعی , الگوریتم یادگیری عمیق , ساخت براساس سفارش