📄Работа №40707
Тема: ПРОГНОЗИРОВАНИЕ СПРОСА ТОВАРА ЛЕГКОЙ ПРОМЫШЛЕННОСТИ
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
Информатика и вычислительная техника
Объем:
41 листов
Год:
2019
Просмотров:
293
3900
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
ВВЕДЕНИЕ 4
1. Обзор методов прогнозирования 6
1.1. Авторегрессия (AR) 6
1.2. Скользящая средняя (мА) 6
1.3. Авторегрессионная скользящая средняя (ARMA) 7
1.4. Авторегрессионное интегрированное скользящее среднее (ARIMA) 7
1.5. Несезонная модель ARIMA 7
1.6. Сезонная модель ARIMA (SARIMA) 9
1.7. FBPROPHET 10
2. Архитектура системы 13
2.1. Использованные средства для разработки 13
2.2. Модули архитектуры 13
2.3. Примененные модели прогнозирования временных рядов 13
2.3.1. Реализация SARIMA 14
2.3.2. Fbprophet 15
2.4. LARAVEL 17
2.4.1. Зависимости 18
2.4.2. Базы данных MySQL 18
2.4.3. Модели Laravel 19
2.4.4. Контроллеры и маршруты 20
2.4.5. Отображение данных 21
3. Тестирование 25
3.1. Обработка данных 25
3.2. Моделирование временных рядов с помощью SARIMA 27
3.2.1. Подтверждение прогнозов 28
3.2.2. Создание и визуализация прогнозов 29
3.3. Моделирование временных рядов с пророком 29
3.4. Анализ результатов моделей прогнозирования 31
3.5. Web-приложение
31
ЗАКЛЮЧЕНИЕ
34
СПИСОК ЛИТЕРАТУРЫ
35
ПРИЛОЖЕНИЕ
37
1. Обзор методов прогнозирования 6
1.1. Авторегрессия (AR) 6
1.2. Скользящая средняя (мА) 6
1.3. Авторегрессионная скользящая средняя (ARMA) 7
1.4. Авторегрессионное интегрированное скользящее среднее (ARIMA) 7
1.5. Несезонная модель ARIMA 7
1.6. Сезонная модель ARIMA (SARIMA) 9
1.7. FBPROPHET 10
2. Архитектура системы 13
2.1. Использованные средства для разработки 13
2.2. Модули архитектуры 13
2.3. Примененные модели прогнозирования временных рядов 13
2.3.1. Реализация SARIMA 14
2.3.2. Fbprophet 15
2.4. LARAVEL 17
2.4.1. Зависимости 18
2.4.2. Базы данных MySQL 18
2.4.3. Модели Laravel 19
2.4.4. Контроллеры и маршруты 20
2.4.5. Отображение данных 21
3. Тестирование 25
3.1. Обработка данных 25
3.2. Моделирование временных рядов с помощью SARIMA 27
3.2.1. Подтверждение прогнозов 28
3.2.2. Создание и визуализация прогнозов 29
3.3. Моделирование временных рядов с пророком 29
3.4. Анализ результатов моделей прогнозирования 31
3.5. Web-приложение
31
ЗАКЛЮЧЕНИЕ
34
СПИСОК ЛИТЕРАТУРЫ
35
ПРИЛОЖЕНИЕ
37
📖 Введение
Прогнозирование спроса играет важную роль в базовом управлении операциями в качестве входных данных для планирования деятельности. Плохое прогноз — это дефицит или высокий запас товаров, их устаревание, низкий уровень обслуживания, срочные заказы, неэффективное использование ресурсов и задержка, распространяющаяся по всей цепочке поставок. Таким образом, прогнозирование спроса является популярной темой исследований, и за последние несколько десятилетий в литературе было предложено множество моделей для прогнозирования товаров легкой промышленности.
Как правило, высокопроизводительные компании фокусируются на надежных подходах к прогнозированию спроса. Однако проблема прогнозирования спроса сильно варьируется в зависимости от компании и отрасли. В индустрии моды товары обычно характеризуются длительными сроками пополнения запасов, короткими сезонами продаж и почти непредсказуемым спросом и, следовательно, неточными прогнозами [1]. Все эти особенности делают проблему прогнозирования спроса особенно сложной. Компании в индустрии моды уже много лет пытаются управлять спросом, что привело к разработке ряда конкретных методов и методов прогнозирования.
Целью данной выпускной квалификационной работы является разработка системы прогнозирования временных рядов для продаж товара легкой промышленности, главным критерием выбора и реализации методов является учитывание сезонности. Помимо методов прогнозирования с учетом сезонности, необходимо предоставить понятное для использования и быстрое веб-приложение.
Для реализации поставленной цели необходимо решить ряд задач:
- изучить существующие методы прогнозирования временных рядов;
- выбрать стек технологий (язык программирования, библиотеки и стек технологий);
- подобрать данные для тестового прогнозирования;
- выбрать подходящие методы прогнозирования временных рядов;
- реализовать веб приложение с возможностью прогнозировать спроса, товара лёгкой промышленности пользователям.
1. Обзор методов прогнозирования
Для разработки моделей прогнозирования объемов спроса товаров легкой промышленности необходимо провести исследование алгоритмов прогнозирования. Предлагается, исходя из особенностей продаж товаров легкой промышленности, определить наиболее подходящие алгоритмы прогнозирования, которые будут включены в систему. Сложность прогнозирования обусловлена малым количеством данных.
1.1. Авторегрессия (AR)
Метод авторегрессии (AR) моделирует следующий шаг в последовательности как линейную функцию наблюдений на предыдущих временных шагах.
Обозначения для модели включают в себя указание порядка модели p в качестве параметра функции AR, например, AR (p). Например, AR (1) является моделью авторегрессии первого порядка.
Метод подходит для одномерных временных рядов без трендовых и сезонных составляющих.
Как правило, высокопроизводительные компании фокусируются на надежных подходах к прогнозированию спроса. Однако проблема прогнозирования спроса сильно варьируется в зависимости от компании и отрасли. В индустрии моды товары обычно характеризуются длительными сроками пополнения запасов, короткими сезонами продаж и почти непредсказуемым спросом и, следовательно, неточными прогнозами [1]. Все эти особенности делают проблему прогнозирования спроса особенно сложной. Компании в индустрии моды уже много лет пытаются управлять спросом, что привело к разработке ряда конкретных методов и методов прогнозирования.
Целью данной выпускной квалификационной работы является разработка системы прогнозирования временных рядов для продаж товара легкой промышленности, главным критерием выбора и реализации методов является учитывание сезонности. Помимо методов прогнозирования с учетом сезонности, необходимо предоставить понятное для использования и быстрое веб-приложение.
Для реализации поставленной цели необходимо решить ряд задач:
- изучить существующие методы прогнозирования временных рядов;
- выбрать стек технологий (язык программирования, библиотеки и стек технологий);
- подобрать данные для тестового прогнозирования;
- выбрать подходящие методы прогнозирования временных рядов;
- реализовать веб приложение с возможностью прогнозировать спроса, товара лёгкой промышленности пользователям.
1. Обзор методов прогнозирования
Для разработки моделей прогнозирования объемов спроса товаров легкой промышленности необходимо провести исследование алгоритмов прогнозирования. Предлагается, исходя из особенностей продаж товаров легкой промышленности, определить наиболее подходящие алгоритмы прогнозирования, которые будут включены в систему. Сложность прогнозирования обусловлена малым количеством данных.
1.1. Авторегрессия (AR)
Метод авторегрессии (AR) моделирует следующий шаг в последовательности как линейную функцию наблюдений на предыдущих временных шагах.
Обозначения для модели включают в себя указание порядка модели p в качестве параметра функции AR, например, AR (p). Например, AR (1) является моделью авторегрессии первого порядка.
Метод подходит для одномерных временных рядов без трендовых и сезонных составляющих.
✅ Заключение
В данной работе была реализована система для прогнозирования спроса товара легкой промышленности. В индустрии моды товары легкой промышленности обычно характеризуются длительными сроками пополнения запасов, короткими сезонами продаж и почти непредсказуемым спросом и, следовательно, неточными прогнозами, поэтому в данной работе было так важно рассмотреть методы прогнозирования временных рядов с сезонной составляющей. Данная задача актуализируется необходимостью планирования количества изготавливаемого товара и затрат на производство. Было проведено тестирование и анализ каждой модели и было реализовано из взаимодействия с веб-приложением. Задачи, поставленные в выпускной квалификационной работе, были выполнены. В перспективе работа может быть использована как платформа прогнозирования спроса продуктов для организации и предприятий легкой промышленности.
Возникшие трудности:
- Поиск русскоязычной литературы по теме прогнозирования временных рядов;
- Настройка окружения Python библиотеки fbprophet;
- Вывод результатов прогнозирования в веб приложение.
Возможные улучшения:
- Добавление новых методов прогнозирования временных рядов;
- Реализовать тонкую настройку загруженных файлов в веб-приложении;
- Добавление полноценной системы управления прогнозами и их отображения;
- Хранение результатов прогнозирования по cookie;
- Возможность проводить сравнительный анализ результатов за разные
промежутки времени
Возникшие трудности:
- Поиск русскоязычной литературы по теме прогнозирования временных рядов;
- Настройка окружения Python библиотеки fbprophet;
- Вывод результатов прогнозирования в веб приложение.
Возможные улучшения:
- Добавление новых методов прогнозирования временных рядов;
- Реализовать тонкую настройку загруженных файлов в веб-приложении;
- Добавление полноценной системы управления прогнозами и их отображения;
- Хранение результатов прогнозирования по cookie;
- Возможность проводить сравнительный анализ результатов за разные
промежутки времени
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.