چکیده:
پیشبینی تقاضا جزء مهمترین فعالیتهای هر سازمان برای برنامهریزی فروش و در نهایت برنامهریزی جامع بوده و در واقع تعیین کننده حجم فعالیتهای سازمان در آینده می باشد. همچنین درکدرستی از میزان وکیفیت فعالیتهای مزبور را برای مدیران فراهم می نماید. در این مقاله بر اساس مبانیعلوم هوشمصنوعی و دادهکاوی، به ارائه مدلی جهت پیشبینی میزان فروش در صنعت کاشی وسرامیک پرداخته شده است. مدل پیشنهادی، یک مدل ترکیبی شامل کاهش بعد، خوشهبندی وپیشبینی بوده و به منظور اجرای مراحل مختلف آن از الگوریتمهای آنالیز مولفههای مستقل، یادگیریمنیفلد، خوشهبندی کامینز و رگرسیون بردار پشتیبان، استفاده شده است. در تحقیق حاضر 55 مورد ازفروش های ماهیانه مربوط به 9 سال گذشته شرکت کاشی ایرانا مورد استفاده قرار گرفته است. نتایجبدست آمده از طریق پیش بینی فروش با مدل پیشنهادی، بدلیل کاهش خطاهای عمومی و خطاهای نمونه در مقایسه با مدلهای سنتی پیش بینی، از دقت باالتری برخوردار می باشد.
خلاصه ماشینی:
با توجه به اهمیت موضوع پیشبینی تقاضا در سازمانها، در این مقاله مدل سهمرحلهای برای پیشبینی فروش ارائه شده است به این صور که قبل از انجام پـیش بینـی بوسـیله رگرسـیون بردار پشتیبان از دو مرحله خاص برای پیش بینی پردازش داده ها استفاده گردیده است.
در مرحله اول سعی می شود که با کاهش بعد دادهها اغتشاشا موجود در آنهـا تـا حـد امکـان گرفته شود و، در مرحله دوم با دستهبندی و خوشهبندی کردن دادهها و قرار دادن دادههای مشابه در گروههای یکسان، دقت پیشبینی افزایش داده شده و در نهایت پیشبینـی را روی دادههـایی که اغتشاشا آنها تا حد امکان گرفته شده انجام میگیرد.
مراحل اجرای کاهش اغتشاشها مراحل ذکرشده در باال باید برای دستیابی به مدلهای پیشبینیکننده انجام شـوند، امـا اگـر بخواهیم بعد از به دست آوردن مدل های پیشبینی، میزان فروش دادههای جدیـد را پـیشبینـی کنیم، باید گامهای زیر برداشته شود: 2.
به این ترتیب، برای انتخاب پارامترهای بهینه، مدل نیازمند دادههـایی اسـت کـه در بـرازش مدل از آنها استفاده شده است.
1 همچنین برای محاسبه خطای مدلها از مجذور میانگین مربعا خطا استفاده شده است.
Support vector machine with adaptive parameters in financial time series forecasting.
Improved financial time series forecasting by combining support vector machines with self-organizing feature map.
Combining independent component analysis and growing hierarchical self-organizing maps with support vector regression in product demand forecasting.
Financial time series forecasting using independent component analysis and support vector regression.
Model optimizing and feature selecting for support vector regression in time series forecasting.