بررسی تأثیر مهندسی ویژگی بر عملکرد مدل‌های آماری، یادگیری ماشین و یادگیری عمیق در پیش‌بینی تولید ماهانه شیر

بررسی تأثیر مهندسی ویژگی بر عملکرد مدل‌های آماری، یادگیری ماشین و یادگیری عمیق در پیش‌بینی تولید ماهانه شیر

سید علیرضا رضوی1 رضا نجفی شیرایه2 گودرز سعادتی مقدم3

1) دانشجوی کارشناسی ارشد فن آوری اطلاعات -تجارت الکترونیک ،دانشگاه جامع انقلاب اسلامی ترجمه کن
2) دانشجوی کارشناسی ارشد فن آوری اطلاعات -تجارت الکترونیک ،دانشگاه جامع انقلاب اسلامی ترجمه کن
3) استادیار گروه مهندسی فناوری اطلاعات – تجارت الکترونیک، دانشگاه جامع انقلاب اسلامی

کد IOI مقاله : ABDE-ABKFGF
محل انتشار : ششمین کنفرانس بین المللی تحقیقات پیشرفته در مدیریت و علوم انسانی مونیخ، آلمان(huconf.com)
چکیده :
    پیش¬بینی میزان تولید به منظور بهبود فرآیند و مدیریت زنجیره تأمین در شرکت¬های تولیدی ضروری می¬باشد. در صورتی که محصولات تولیدی و یا محصولات پایین دستی دارای تاریخ مصرف بوده و یا امکان فاسد شدن داشته باشند، پیش¬بینی میزان تولید بیش از پیش اهمیت خواهد داشت. از این رو در این مطالعه با انتخاب مسئله تولید شیر و بررسی مهندسی ویژگی¬ها تلاش شده است با بررسی تاثیر آن بر روی نتایج معیارهای ارزیابی بتوان به روشی دست پیدا کرد که دقت بالاتری در تعیین پیش¬بینی میزان تولید داشته باشد. در این تحقیق سه سناریو مهندسی ویژگی مورد بررسی قرار گرفت، در سناریو اول فقط از یک تاخیر استفاده شده، در حالی که در سناریو دوم فضای کامل شامل ویژگی‌های تقویمی و تأخیرهای کوتاه‌مدت، و در سناریوی سوم تأخیرهای بلند مدت ماهیانه (۱۲، ۲۴ و ۳۶ ماهه) استفاده شده است. مدل-هایی که در این مطالعه بکار گرفته شده¬اند عبارتند از: رگرسیون خطی، SVR، جنگل تصادفی، Gradient Boosting، XGBoost، LightGBM، CatBoost، SARIMA، Holt-Winters، Seasonal Naive، Fuzzy TS، LSTM و Mamba. و عملکرد دقت مدل¬ها با معیارهای ارزیابی MAE، RMSE، R2، MAPE، Max Error سنجیده شده است. در سناریوی اول، بهترین عملکرد معیار ارزیابی را مدل LSTM به دست آورد و به معیار ارزیابی 0.584 R2= دست یافت. در سناریوی دوم با معیار ارزیابی 0.949 R2= برای Gradient Boosting و XGBoost ثبت شد که بهترین نتیجه در سه سناریو بوده است. در سناریوی سوم نیز XGBoost و مدل جنگل تصادفی با 0.712 R2= بهترین نتیجه را ثبت نمودند.

کلمات کلیدی : مهندسی ویژگی پیش¬بینی سری زمانی تولید شیر مقایسه مدل‌های ارزیابی مدل¬های آماری