Номинация: Алгоритмы и программные решения в области ИИ и больших данных
Описание проекта: Целью проекта является улучшение существующих моделей прогнозирования покупательского спроса на продукты питания. Для решения этой задачи была разработана двухэтапная гибридная модель прогнозирования. На первоначальном этапе линейный компонент временного ряда преобразовывается до нормального распределения, затем проводится анализ преобразованных данных спектральным анализом и периодограммой тренда. Полученные данные передаются в модель PROPHET. Нелинейные остатки используются в GRU-CNN+LSTM модели, где в модуле LSTM получается пошаговый прогноз. Результирующий прогноз гибридной модели является совокупностью результатов, полученных в ходе выполнения двух этапов прогнозирования.
Результаты: В результате проекта был разработан и протестирован прототип гибридной модели прогнозирования покупательского спроса, который объединяет классические методы прогнозирования с новыми методами машинного обучения и искусственными нейронными сетями. Данный прототип показал более высокую точность по сравнению с существующими методами прогнозирования. Кроме того, гибридная модель позволила учесть максимальное количество факторов, которые могут повлиять на покупательский спрос, что повышает качество прогнозов и уменьшает риски ошибок.
Внедрение: Прототип модели внедрен в бизнес-процессы компании, занимающейся розничными продажами продуктов питания, и находится на стадии доработки параметров.
Команда проекта: РГСУ Гуляев Андрей Васильевич Пивнева Светлана Валентиновна
Контакты: Gulyaev81@gmail.com
Номинация: Алгоритмы и программные решения в области ИИ и больших данных