Ανάπτυξη συστήματος πρόβλεψης ζήτησης με τεχνικές μηχανικής μάθησης για βελτιστοποίηση επιχειρησιακών αποφάσεων

Abstract

Η παρούσα εργασία εξετάζει την πρόβλεψη ημερήσιας ζήτησης μέσω της ανάπτυξης ενός υπολογιστικού συστήματος που συγκρίνει διαφορετικές μεθόδους πρόβλεψης. Χρησιμοποιήθηκαν 1.461 ημερήσιες παρατηρήσεις για την περίοδο 2020-2023, με βασικές μεταβλητές τη ζήτηση, τη θερμοκρασία και τον δείκτη Σαββατοκύριακου. Μετά την προεπεξεργασία και τη δημιουργία χρονικών χαρακτηριστικών, εφαρμόστηκαν μοντέλα μηχανικής μάθησης, LSTM και κλασικά μοντέλα χρονοσειρών, όπως ARIMA, SARIMA και Prophet. Η απόδοσή τους αξιολογήθηκε με κοινές μετρικές σφάλματος, διασταυρούμενη επικύρωση, ανάλυση σφαλμάτων και ανάλυση ευαισθησίας. Τα αποτελέσματα έδειξαν ότι το Prophet και τα μοντέλα Random Forest, Bagging και Boosting παρουσίασαν την καλύτερη συνολική απόδοση. Επιπλέον, η οικονομική ανάλυση ανέδειξε τη σημασία της ακρίβειας των προβλέψεων για τη μείωση του κόστους και την αποτελεσματικότερη διαχείριση αποθεμάτων.