پیشبینی فروش خردهفروشی تحت نوسانات تقاضا با استفاده از یک چارچوب ترکیبی منطق فازی و الگوریتم XGBoost
پیشبینی فروش خردهفروشی تحت نوسانات تقاضا با استفاده از یک چارچوب ترکیبی منطق فازی و الگوریتم XGBoost
پویا علیا لواسانی1 گودرز سعادتیمقدم2
1) دانشجوی کارشناسی ارشد مهندسی فناوری اطلاعات – تجارت الکترونیک
2) استادیار گروه مهندسی فناوری اطلاعات – تجارت الکترونیک، دانشگاه جامع انقلاب اسلامی
کد IOI مقاله
:
ABDE-ABKFKE
محل انتشار :
ششمین کنفرانس بین المللی تحقیقات پیشرفته در مدیریت و علوم انسانی مونیخ، آلمان(huconf.com)
چکیده :
پیشبینی دقیق فروش در صنعت خردهفروشی به دلیل ماهیت غیرخطی و نوسانات شدید تقاضا، بهویژه در دورههای اجرای برنامههای ترویجی و جهشهای پیش از تعطیلات، با چالشهای پیچیدهای مواجه است. مدلهای پیشبینی کلاسیک و پایه اغلب در مواجهه با شوکهای ناگهانی تقاضا و تغییرات رفتاری بازار، دقت و کارایی مطلوبی ندارند. هدف این پژوهش، ارائه یک چارچوب ترکیبی نوین با عنوان «Fuzzy-XGBoost» است که در آن توابع عضویت فازی با هدف مدلسازی جهشهای تقاضای پیش از تعطیلات (Pre-Holiday Surge) و نوسانات ناشی از شوکهای تقاضا، در ساختار الگوریتم XGBoost ادغام شدهاند. عملکرد مدل پیشنهادی با استفاده از مجموعهداده واقعی راسمن (Rossmann) و در مقایسه با مدلهای XGBoost، جنگل تصادفی (Random Forest)، رگرسیون بردار پشتیبان (SVR) و مدل کلاسیک ARIMA، در سناریوهای مختلف ارزیابی شد. نتایج نشان داد که مدل Fuzzy-XGBoost با دستیابی به مقدار RMSE برابر با 899.13 و ضریب تعیین (R²) برابر با 0.8949 در سطح کل، عملکرد بهتری نسبت به سایر مدلهای مورد بررسی دارد. همچنین، در سناریوی بحرانی جهش پیش از تعطیلات، مدل پیشنهادی توانست مقدار RMSE را از حدود 1411 در مدل XGBoost پایه و 1424 در مدل جنگل تصادفی به 1176.93 کاهش دهد. در نهایت، نتایج آزمون دیبولد-ماریانو (Diebold-Mariano Test) با مقدار p-value کمتر از 0.05، معناداری آماری بهبودهای حاصل را تأیید کرد. یافتههای این پژوهش نشان میدهد که چارچوب Fuzzy-XGBoost میتواند رویکردی مؤثر برای پیشبینی فروش و مدیریت نوسانات پیچیده تقاضا، بهویژه در دورههای جهش تقاضا، ارائه دهد.
کلمات کلیدی : پیشبینی فروش خردهفروشی منطق فازی الگوریتم xgboost نوسانات تقاضا آزمون دیبولد ماریانو یادگیری ماشین ترکیبی