Πρόβλεψη ζήτησης σε καταστήματα λιανικής με μεθόδους ιεραρχικής συνάθροισης και τεχνικές μηχανικής μάθησης

Σεγρέδος, Κωνσταντίνος; Segredos, Konstantinos

dc.contributor.author	Σεγρέδος, Κωνσταντίνος	el
dc.contributor.author	Segredos, Konstantinos	en
dc.date.accessioned	2020-10-09T07:44:26Z
dc.date.available	2020-10-09T07:44:26Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/51337
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19035
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Τεχνικές προβλέψεων	el
dc.subject	Ιεραρχική συνάθροιση χρονοσειρών	el
dc.subject	Τεχνικές μηχανικές μάθησης	el
dc.subject	Ιεραρχικές προβλέψεις	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Forecasting techniques	en
dc.subject	Hierarchical aggregation	en
dc.subject	Machine learning techniques	en
dc.subject	Hierarchical forecasting	en
dc.subject	Neural networks	en
dc.title	Πρόβλεψη ζήτησης σε καταστήματα λιανικής με μεθόδους ιεραρχικής συνάθροισης και τεχνικές μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Προβλέψεις	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-07-16
heal.abstract	Η παρούσα διπλωματική εργασία εξετάζει την πρόβλεψη των πωλήσεων σε καταστήματα λιανικής με την χρήση μεθόδων ιεραρχικής συνάθροισης και τεχνικές μηχανικής μάθησης. Σκοπός είναι να εξακριβωθεί πόσο καλά ανταποκρίνονται οι μέθοδοι μηχανικής μάθησης σε ιεραρχικά δεδομένα σε σχέση με τις κλασικές μεθόδους πρόβλεψης. Η μελέτη γίνεται σε ένα σύνολο μιας αλυσίδας καταστημάτων διαφορετικών γεωγραφικών περιοχών, οπότε κρίνεται αναγκαία η συμφιλίωση των επιμέρους προβλέψεων που θα παραχθούν ώστε οι προβλέψεις των χαμηλότερων επιπέδων να αθροίζουν σε αυτές των υψηλότερων. Για αυτό το λόγο γίνεται χρήση μεθόδων ιεραρχικής πρόβλεψης(hierarchical forecasting). Εισαγωγικά παρουσιάζονται κάποια βασικά χαρακτηριστικά των προβλέψεων, των μοντέλων χρονοσειρών καθώς και η ανάλυση που γίνεται πριν τη διαδικασία της πρόβλεψης. Αναλύονται στη συνέχεια οι μέθοδοι πρόβλεψης που θα χρησιμοποιηθούν ως σημείο αναφοράς και οι μέθοδοι μηχανικής μάθησης καθώς και οι δείκτες σφάλματος για την σύγκριση των μεθόδων. Ύστερα περιγράφονται οι μέθοδοι ιεραρχικής συνάθροισης και οι βασικές τεχνικές παραγωγής ιεραρχικών προβλέψεων. Τέλος περιγράφεται αναλυτικά η μεθοδολογία των προβλέψεων που ακολουθήθηκε και παρουσιάζονται τα αποτελέσματα των μεθόδων που ελέγχθηκαν.	el
heal.abstract	This paper examines the sales forecasts of retail stores via the use of hierarchical aggregation methods and machine learning techniques. The aim is to ascertain how well machine learning methods do, in hierarchical data, over the classic forecasting methods. The study is done in a retail stores chain. The stores are in different geographical areas, so it is deemed necessary to reconcile the individual forecasts in order for the lower level forecasts to sum up to the higher level ones. For this reason hierarchical forecasting methods are used. First of all, some basic characteristics of forecasts, time series models and data preprocess are introduced. Later, the author analyzes the methods that are used as benchmark as well as the machine learning methods used and the error indicators for the comparison of the methods. After that, hierarchical aggregation of data and the most notable hierarchical forecasting methods are described. Finally, the methodology that was followed for the forecast methods is described and the results of the study are displayed.	en
heal.advisorName	Ασημακόπουλος, Βασίλειος	el
heal.committeeMemberName	Ασημακόπουλος, Βασίλειος	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	80 σ.	el
heal.fullTextAvailability	false