Please use this identifier to cite or link to this item:
Title: Long-term Demand Forecasting: using an Ensemble of Neural Networks to Improve Accuracy
Other Titles: Довгострокове прогнозування попиту: використання ансамблю нейромереж для підвищення точності
Authors: Sineglazov, Victor
Синєглазов, Віктор Михайлович
Samoshyn, Andrii
Самошин, Андрій Олександрович
Keywords: deep learning
ensemble method
long-term forecasting
demand forecasting
neural networks
multilayer perceptron
глибоке навчання
ансамблевий метод
довгострокове прогнозування
прогнозування попиту
нейронні мережі
багатошаровий персептрон
Issue Date: 29-Sep-2023
Publisher: National Aviation University
Citation: Sineglazov V. M. Long-term Demand Forecasting: using an Ensemble of Neural Networks to Improve Accuracy / V. M. Sineglazov, A. O. Samoshyn // Electronics and Control Systems. Kyiv: NAU, 2023. – No 3(77). – pp. 17–23.
Series/Report no.: Electronics and Control Systems;№3(77)
Електроніка та системи управління;№3(77)
Abstract: This research paper proposes a method of long-term demand forecasting based on an ensemble of neural networks that considers the novelty of the data. A tool for creating the ensemble was developed that uses a bagging technique as well as a modification that allows for the relevance and novelty of the data to be considered when creating training samples for each model in the ensemble. The study examines and compares the developed method with known approaches to long-term demand forecasting. Experimental results have indicated that the proposed approach allows for obtaining more accurate and reliable demand forecasts compared to existing methods. The results emphasize the importance of data in the demand forecasting process and indicate the potential of the proposed method to eventually improve inventory management strategies and product planning.
У статті пропонується метод довгострокового прогнозування попиту на основі ансамблю нейронних мереж, який враховує новизну даних. Було розроблено інструмент для створення ансамблю, який використовує техніку пакетування, а також модифікацію, яка дозволяє враховувати релевантність і новизну даних під час створення навчальних зразків для кожної моделі в ансамблі. У дослідженні розглянуто та порівняно розроблену методику з відомими підходами до довгострокового прогнозування попиту. Експериментальні результати показали, що запропонований підхід дозволяє отримати більш точні та надійні прогнози попиту порівняно з існуючими методами. Результати підкреслюють важливість даних у процесі прогнозування попиту та вказують на потенціал запропонованого методу для остаточного покращення стратегій управління запасами та планування продукції.
Description: [1] K. Aaltonen, “Project stakeholder analysis as an environmental interpretation process”, International Journal of Project Management, vol. 29, no. 2, pp. 165–183, Feb. 2011 [Online]. Available: [2] G. Perin, Ł. Chmielewski, and S. Picek, “Strength in numbers: Improving generalization with ensembles in machine learning-based profiled side-channel analysis”, IACR Transactions on Cryptographic Hardware and Embedded Systems, pp. 337–364, Aug. 2020. [Online]. Available: [3] P. Flach, “Model ensembles”, in Machine Learning. Cambridge: Cambridge Univ. Press, pp. 330–342. [Online]. Available: [4] G. M. Jenkins, G. C. Reinsel, and G. E. Box, Time Series Analysis: Forecasting & Control. Pearson Educ. Asia Limited, 2005. [5] E. S. Gardner, “Exponential smoothing: The state of the art—Part II”, International Journal of Forecasting, vol. 22, no. 4, pp. 637–666, Oct. 2006. [Online]. Available: [6] H. F. E. Jr, Regression Modeling Strategies: With Applications to Linear Models, Logistic and Ordinal Regression, and Survival Analysis. Springer London, Ltd., 2015. [7] R. Xu and D. WunschII, “Survey of clustering algorithms”, IEEE Transactions on Neural Networks, vol. 16, no. 3, pp. 645–678, May 2005. [Online]. Available: [8] S. Makridakis, E. Spiliotis, and V. Assimakopoulos, “Statistical and Machine Learning forecasting methods: Concerns and ways forward”, Plos One, vol. 13, no. 3, Mar. 2018, Art. no. e0194889. [Online]. Available: [9] G. Lai, W.-C. Chang, Y. Yang, and H. Liu, “Modeling long- and short-term temporal patterns with deep neural networks”, in SIGIR '18: The 41st International ACM SIGIR Conference on Research and Development in Information Retrieval, Ann Arbor MI USA. New York, NY, USA: ACM, 2018. [Online]. Available: [10] G. P. Zhang and M. Qi, “Neural network forecasting for seasonal and trend time series”, European Journal of Operational Research, vol. 160, no. 2, pp. 501–514, Jan. 2005. [Online]. Available: [11] Z.-H. Zhou, “Ensemble learning”, in Machine Learning. Singapore: Springer Singap., 2021, pp. 181–210. [Online]. Available: [12] F. Petropoulos, R. J. Hyndman, and C. Bergmeir, “Exploring the sources of uncertainty: Why does bagging for time series forecasting work?”, European Journal of Operational Research, vol. 268, no. 2, pp. 545–554, Jul. 2018. [Online]. Available: [13] S. Touzani, J. Granderson, and S. Fernandes, “Gradient boosting machine for modeling the energy consumption of commercial buildings”, Energy and Buildings, vol. 158, pp. 1533–1543, Jan. 2018. [Online]. Available: [14] “Ensemble learning”, in Machine Learning Fundamentals. Cambridge Univ. Press, 2021, pp. 203–218. [Online]. Available: [15] X. Wang, Y. Kang, F. Petropoulos, and F. Li, “The uncertainty estimation of feature-based forecast combinations”, J. of the Operational Research Society, pp. 1–15, Mar. 2021. [Online]. Available: [16] J. Ding, Z. Chen, L. Xiaolong, and B. Lai, “Sales forecasting based on catboost”, in 2020 2nd International Conference on Information Technology and Computer Application (ITCA), Guangzhou, China, Dec. 18–20, 2020. IEEE, 2020. [Online]. Available: [17] R. J. Hyndman and G. Athanasopoulos, Forecasting: Principles and Practice. OTexts, 2021.
ISSN: 1990-5548
DOI: 10.18372/1990-5548.77.18002
Appears in Collections:Наукові публікації та матеріали кафедри авіаційних комп'ютерно-інтегрованих комплексів (НОВА)

Files in This Item:
File Description SizeFormat 
4.pdfНаукова стаття775.34 kBAdobe PDFView/Open

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