Проектирование алгоритма прогнозирования сырья
Аннотация
Выпускная квалификационная работа магистра 98 стр., 36 рис., 7 таблиц, 47 источников, 7 прил.
ПРОГНОЗИРОВАНИЕ ЗАКУПОК, ВРЕМЕННЫЕ РЯДЫ, МАШИННОЕ ОБУЧЕНИЕ, ПРОГНОЗИРОВАНИЕ СПРОСА, ПРОГНОЗИРОВАНИЕ СЫРЬЯ, ГРАДИЕНТНЫЙ БУСТИНГ, XGBOOST, ЭКСТРЕМАЛЬНЫЙ ГРАДИЕНТНЫЙ БУСТИНГ, LSTM.
Цель работы – проектирование алгоритма прогнозирования сырья для производственного косметического производства, состоящего из нескольких этапов: прогнозирование спроса и расчет сырья на основании рассчитанного спроса. Рассматриваются процесс сбора, предобработки набора данных и предварительный анализ статистических моделей, моделей машинного обучения для выбора лучшей на основании метрик точности и качества. Предложен алгоритм прогнозирования сырья с использованием градиентного бустинга над решающими деревьями.
Для достижения поставленной цели были решены следующие задачи:
исследование существующих методов и систем прогнозирования;
анализ предприятия и системы прогнозирования сырья на предприятии;
проектирование алгоритма прогнозирования сырья на предприятии.
Предметом исследования является процесс прогнозирования закупки сырья для производственного предприятия ООО «Правильное решение». В качестве объекта исследования выступает система планирования сырья производственного предприятия.
В результате спроектирован алгоритм прогнозирования сырья на базе машинного обучения, модель экстремального градиентного бустинга (XGBoost), продемонстрировавшая высокую точность и стабильность прогнозов. Собраны наборы данных, проведен анализ и исследованы методы прогнозирования спроса и сырья, включая модели прогнозирования ARIMA, SARIMA, Хольта-Винтерса, Prophet и различные модели машинного обучения. Использовались метрики: MAE, MSE и MAPE, R2. Статистические модели и модели на основе нейронных сетей, такие как LSTM, показали менее стабильные результаты, чем машинное обучение. Разработан комплексный алгоритм прогнозирования сырья, включающий этапы прогнозирования спроса и расчета потребности в сырье. Прототип алгоритма реализован с использованием Streamlit. Предложены рекомендации по внедрению алгоритма, включая интеграцию с существующими системами и расчет экономической эффективности.
ПРОГНОЗИРОВАНИЕ ЗАКУПОК, ВРЕМЕННЫЕ РЯДЫ, МАШИННОЕ ОБУЧЕНИЕ, ПРОГНОЗИРОВАНИЕ СПРОСА, ПРОГНОЗИРОВАНИЕ СЫРЬЯ, ГРАДИЕНТНЫЙ БУСТИНГ, XGBOOST, ЭКСТРЕМАЛЬНЫЙ ГРАДИЕНТНЫЙ БУСТИНГ, LSTM.
Цель работы – проектирование алгоритма прогнозирования сырья для производственного косметического производства, состоящего из нескольких этапов: прогнозирование спроса и расчет сырья на основании рассчитанного спроса. Рассматриваются процесс сбора, предобработки набора данных и предварительный анализ статистических моделей, моделей машинного обучения для выбора лучшей на основании метрик точности и качества. Предложен алгоритм прогнозирования сырья с использованием градиентного бустинга над решающими деревьями.
Для достижения поставленной цели были решены следующие задачи:
исследование существующих методов и систем прогнозирования;
анализ предприятия и системы прогнозирования сырья на предприятии;
проектирование алгоритма прогнозирования сырья на предприятии.
Предметом исследования является процесс прогнозирования закупки сырья для производственного предприятия ООО «Правильное решение». В качестве объекта исследования выступает система планирования сырья производственного предприятия.
В результате спроектирован алгоритм прогнозирования сырья на базе машинного обучения, модель экстремального градиентного бустинга (XGBoost), продемонстрировавшая высокую точность и стабильность прогнозов. Собраны наборы данных, проведен анализ и исследованы методы прогнозирования спроса и сырья, включая модели прогнозирования ARIMA, SARIMA, Хольта-Винтерса, Prophet и различные модели машинного обучения. Использовались метрики: MAE, MSE и MAPE, R2. Статистические модели и модели на основе нейронных сетей, такие как LSTM, показали менее стабильные результаты, чем машинное обучение. Разработан комплексный алгоритм прогнозирования сырья, включающий этапы прогнозирования спроса и расчета потребности в сырье. Прототип алгоритма реализован с использованием Streamlit. Предложены рекомендации по внедрению алгоритма, включая интеграцию с существующими системами и расчет экономической эффективности.