Τεχνητά νευρωνικά δίκτυα και μηχανική μάθηση σε logistics
Προβολή/ Άνοιγμα
Λέξεις κλειδιά
Time series ; Artificial neural networks ; Logistics ; Gradient boosting ; Exponential smoothing ; ARIMAΠερίληψη
Στόχος είναι η βελτιστοποίηση της αποστολής δεμάτων προβλέποντας
τον μελλοντικό όγκο της δουλειάς ή το μελλοντικό κέρδος. Η παραπάνω πρόβλεψη,
businesswise μπορεί να βοηθήσει στον καλύτερο χρονοπρογραμματισμό ή την αποστολή
ομαδοποιημένων αντικειμένων. Η ομαδοποίηση κατά την αποστολή των προϊόντων μειώνει
τόσο το μεμονωμένο κόστος αποστολής όσο και το κόστος σε ανθρώπινους πόρους που
απαιτείται για τη συγκέντρωση και αποστολή των παραγγελιών. Η βελτιστοποίηση μιας
τέτοιας διαδικασίας παρέχει μεγάλο business value για επιχειρήσεις που
δραστηριοποιούνται στον τομέα των logistics - forwarding. Θα μελετήσουμε λοιπόν τη δομή
και τη λειτουργία αλγορίθμων και θα εφαρμόσουμε κάποιους από αυτούς σε ένα σύνολο
πραγματικών δεδομένων προκειμένου να επιχειρήσουμε να προβλέψουμε σε βάθος χρόνου
μεγέθη όπως το κέρδος και το βάρος των shipment.