پیام رسان بله
پیش‌بینی هوشمند حجم فروش و قیمت با استفاده از چارچوب مبتنی بر توجه RW‑FN‑BiLSTM
پیش‌بینی هوشمند حجم فروش و قیمت با استفاده از چارچوب مبتنی بر توجه RW‑FN‑BiLSTM
علی ثابت توسلی1
1) مدیر عامل بازرگانی توسلی -
کد IOI مقاله
:
AAHA-AAKACE
محل انتشار :
پنجمین کنگره بین المللی مدیریت، اقتصاد، علوم انسانی، آموزش و پرورش و توسعه کسب و کار(5icmba.ir)
چکیده :
در عصر داده‌های کلان، پیش‌بینی دقیق حجم فروش و قیمت نقشی حیاتی در تصمیم‌گیری‌های بازاریابی، مدیریت موجودی و تدوین راهبردهای قیمت‌گذاری برای شرکت‌ها ایفا می‌کند. با این حال، روش‌های سنتی پیش‌بینی معمولاً در شناسایی الگوهای زمانی پیچیده و روابط غیرخطی موجود در داده‌های فروش با مشکل مواجه هستند. در مقابل، فناوری‌های یادگیری عمیق، به‌ویژه مدل‌های شبکه عصبی، توان بالقوه چشمگیری در حل این چالش‌ها نشان داده‌اند.
این مطالعه، یک چارچوب جدید ترکیبی مبتنی بر توجه با ساختار RW‑FN‑BiLSTM را برای بهبود دقت پیش‌بینی حجم فروش و قیمت پیشنهاد می‌کند. این مدل با استفاده از مجموعه‌داده‌ای واقعی ارائه‌شده از سوی هیئت آووکادو Hass در بازه زمانی سال‌های ۲۰۱۵ تا ۲۰۲۳ آموزش و ارزیابی شده است؛ داده‌ها شامل اطلاعات مربوط به چندین منطقه و متغیرهای کلیدی مانند قیمت و حجم فروش آووکادوهای معمولی و ارگانیک هستند.
مدل پیشنهادی، شبکه BiLSTM (شبکه حافظه کوتاه و بلند دوطرفه) را برای ضبط وابستگی‌های بلندمدت در داده‌های سری زمانی، شبکه RWFN (شبکه پیوندی با وزن تصادفی) را برای افزایش توان استخراج ویژگی‌ها، و مکانیزم توجه (Attention Mechanism) را برای تخصیص تطبیقی وزن‌ها به ویژگی‌های مهم ترکیب می‌کند. این هم‌افزایی منجر به بهبود چشمگیر عملکرد پیش‌بینی شده است.
نتایج آزمایش‌ها نشان می‌دهد که مدل در مراحل آموزش و آزمون از همگرایی پایدار برخوردار بوده و مقادیر پیش‌بینی با روند واقعی داده‌ها تطابق بالایی دارند. علاوه‌بر‌این، توزیع خطاها تقریباً متقارن است که حاکی از توانایی تعمیم بالای مدل است. با این حال، برخی انحراف‌ها همچنان مشاهده می‌شوند که بیانگر امکان بهینه‌سازی بیشتر در ساختار شبکه و انتخاب ویژگی‌ها است.
این پژوهش اثربخشی مدل Attention‑based RW‑FN‑BiLSTM را در پیش‌بینی حجم فروش و قیمت به‌طور تجربی تأیید کرده و راهکاری نوین برای تحلیل روندهای بازار، بهینه‌سازی موجودی و تصمیم‌گیری‌های قیمت‌گذاری در اختیار شرکت‌ها قرار می‌دهد — رویکردی که به آن‌ها امکان می‌دهد انتخاب‌های راهبردی علمی‌تر و دقیق‌تر در فضای رقابتی روزافزون بازار داشته باشند.
کلمات کلیدی : پیش‌بینی فروش rw‑fn‑bilstm مبتنی بر توجه داده‌های سری زمانی یادگیری عمیق ویژگی‌های داده rw‑fn