Θεωρητική ανάλυση και εμπειρική μελέτη εφαρμογής μεθοδολογίας ADIDA σε δεδομένα συνεχούς ζήτησης

Abstract

Η εργασία μελετά θεωρητικά και εμπειρικά την εφαρμογή μεθοδολογίας προβλέψεων ADIDA, μίας προσέγγισης συνάθροισης-διάσπασης για παραγωγή προβλέψεων που προορίζεται για δεδομένα διακοπτόμενης ζήτησης. Η απόδοση της αξιολογείται με έμφαση στην πρόβλεψη δεδομένων συνεχούς ζήτησης. Εισαγωγικά, παρουσιάζονται έννοιες και εφαρμογές των προβλέψεων. Αναπτύσσονται τα χαρακτηριστικά των χρονοσειρών και η διαδικασία αποσύνθεσης σε επιμέρους συνιστώσες. Μετά από την εκτενή καταγραφή μεθόδων πρόβλεψης, με έμφαση στην εκθετική εξομάλυνση, παρουσιάζονται σφάλματα μέτρησης της ακρίβειας και σκιαγραφείται, πραγματοποιώντας μία ιστορική αναδρομή, η σκοπιμότητα της αξιολόγησης μεταξύ των μεθόδων πρόβλεψης μέσω διαγωνισμών. Μέσω θεωρητικής ανάλυσης, η μεθοδολογία διασπάται σε απλούστερα επιμέρους στάδια, για τα οποία παρέχεται ξεχωριστή μελέτη. Ως προς την πρακτική εφαρμογή, δείχνονται τα θετικά αποτελέσματα στην πρόβλεψη χρονοσειρών διακοπτόμενης ζήτησης. Αναγνωρίζονται τα κενά στην πειραματική εφαρμογή σε δεδομένα συνεχούς ζήτησης και έπειτα ελέγχεται η εξάρτηση της απόδοσης της μεθοδολογίας από μηχανισμούς διαχείρισης της εποχικότητας. Στη συνέχεια, εξετάζεται θεωρητικά η επίδραση του επιπέδου συνάθροισης και δοκιμάζεται πειραματικά η βελτιωτική απόδοση της μεθοδολογίας, όπου ελέγχονται οι προσεγγίσεις χρήσης κοινού στο σύνολο των δεδομένων ή ξεχωριστού ανά χρονοσειρά επιπέδου συνάθροισης. Για τη δεύτερη προσέγγιση, εξετάζονται τεχνικές εκτίμησης του βέλτιστου επιπέδου και υπολογίζονται τα κατώτερα όρια σφάλματος. Επιπροσθέτως, μετά από λεπτομερή βιβλιογραφική έρευνα, περιγράφονται και μελετώνται εμπειρικά διάφοροι αλγόριθμοι διάσπασης. Στο τέλος, τα συμπεράσματα συνοψίζονται αποκαλύπτοντας το δυναμικό της μεθοδολογίας για μείωση των σφαλμάτων πρόβλεψης και δίνονται οι κατευθύνσεις για περαιτέρω έρευνα στα ερωτήματα που προκύπτουν.

This study considers theoretical and empirical aspects of the application of ADIDA methodology, an aggregation-disaggregation approach to forecasting intermittent demand data. Its performance is assessed with emphasis on its use for forecasting non-intermittent demand data. Initially, concepts and applications of forecasting are presented. The characteristics of time series and the process of decomposition into individual components are analyzed. After the description of forecasting methods, with emphasis on exponential smoothing, errors for accuracy measurement are presented and the purpose of the evaluation of forecasting methods is outlined, through a retrospection of forecasting competitions. Through theoretical analysis, the methodology is broken down into simpler sub-stages, which are studied separately. With respect to practical application, positive results for predicting intermittent demand time series are shown. Scientific gaps in the experimental use on non-intermittent demand data are detected and the dependence of the methodology performance on mechanisms to handle seasonality is inquired. Subsequently, the effect of aggregation level is theoretically examined and the improving effect of the methodology is experimentally inspected by testing two different approaches: using a fixed aggregation level across series or using separate aggregation level per series. For the second approach, techniques to estimate the optimal level are studied and the lower error bounds are calculated. Furthermore, after a thorough search in literature, various disaggregation algorithms are empirically studied. In the end, the conclusions are summarized, revealing the potential of the methodology for forecast error reduction and directions for further research are proposed.