Please use this identifier to cite or link to this item:https://hdl.handle.net/20.500.12259/34931
Full metadata record
DC FieldValueLanguage
dc.contributorVytauto Didžiojo universitetas. Informatikos fakultetas. Matematikos ir statistikos katedralt_LT
dc.contributor.advisorKrilavičius, Tomas-
dc.contributor.authorCiganaitė, Greta-
dc.date.accessioned2017-06-14T13:19:14Z-
dc.date.available2017-06-14T13:19:14Z-
dc.date.issued2017-05-22-
dc.identifier.urihttps://eltalpykla.vdu.lt/1/34931-
dc.identifier.urihttps://hdl.handle.net/20.500.12259/34931-
dc.description.abstractMagistro baigiamojo darbo tikslas yra išsiaiškinti ar tiesinių ir netiesinių prognozavimo modelių kombinavimo technika gali pagerinti atskirų modelių tikslumą. Eksperimentams pasirinktą duomenų rinkinį sudaro dviejų metų (2014-2016) mažmeninės prekybos tinklų parduodamų prekių savaitiniai kiekiai. Prekybos tinklams naudinga žinoti kuo tikslesnius pirkėjų poreikius siekiant padidinti pelną mažinant sanaudas neparduotų produktų utilizavimui bei pagerinti prekybos tinklo padėti rinkoje. Prognozavimui buvo panaudoti keturi modeliai: autoregresinis slenkančio vidurkio modelis (ARMA), autoregresinis intgeruotas slenkančio vidurkio modelis (ARIMA), daugiasluoksnis perceptronas (MLP) bei rekurentinis Elmano neuronų tinklas (ENN). Vėliau naudojant adityvią ir multiplikatyvią kombinavimo technikas buvo sudaryti dar aštuoni kombinuoti modeliai. Darbe atlikti eksperimentai parodė, kad kombinavimo technika gali duoti gerų rezultatų, bet ne visais atvejais. Bent viena kombinuotų modelių šeima vidutiniškai tiksliausią prognozavimą atliko šešis kartus iš dešimties. Tai daug žadantis rezultatas, nes yra žinoma būdų, kurie galėtų padėti gauti tikslesnius rezultatus.lt_LT
dc.description.abstractThe aim of this research is to find out whether combination of linear and non-linear forecasting models can increase precision of individual models. Selected data set for this research is two years (2014-2016) weekly observations of articles quantities sold in retail market. Exact forecast of users needs leads to better position in market and bigger profit which is a result of decreased inputs to elimination of obsolete product. In this research four forecasting models was used: Autoregressive Moving Average (ARMA), Autoregressive Integrated Moving Average (ARIMA), multilayer perceptron (MLP) and recurrent Elman neural network (ENN). Eight combined models was composed by using additive and multiplicative techniques. Experiments have shown that usage of combine models can give more precise results, but not in all cases. In this research, combined models were more precise than individual models in six experiments out of ten. It is quite promising result because there is known techniques which can help to increase combined models precision.en_US
dc.format.extent63 p.-
dc.language.isolten_US
dc.rightsSutarties data 2017-05-19, nr. 34931, neprieinamas iki 2022-06-20lt_LT
dc.subjectLaiko eilutėlt_LT
dc.subjectPrognozavimaslt_LT
dc.subjectARIMAen_US
dc.subjectNeuronų tinklaslt_LT
dc.subjectKombinuotas modelislt_LT
dc.subjectTime seriesen_US
dc.subjectForecastingen_US
dc.subjectNeural networken_US
dc.subjectCombined modelen_US
dc.subject.otherInformatika / Informatics (N009)-
dc.titlePardavimų prognozavimas naudojant kombinuotq ARMA ir dirbtinių neuronų tinklų modelįlt_LT
dc.title.alternativeSales forecasting through a model combining ARMA and artificial neural networksen_US
dc.typemaster thesis-
item.fulltextWith Fulltext-
item.grantfulltextreserved-
crisitem.author.deptTaikomosios informatikos katedra-
Appears in Collections:2017 m. (IF mag.)
Files in This Item:
greta_ciganaite_md.pdf1.38 MBAdobe PDF   Restricted AccessView/Open

Show simple item record
Export via OAI-PMH Interface in XML Formats
Export to Other Non-XML Formats


CORE Recommender

Page view(s)

89
checked on Jun 6, 2021

Download(s)

33
checked on Jun 6, 2021

Google ScholarTM

Check


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.