پیش‌بینی روزانه تقاضای کالای فسادپذیر با استفاده از یادگیری عمیق (مطالعه موردی: ماست سون شرکت فرآورده‌های لبنی کاله آمل)

هدف: هدف از این تحقیق پیش‌بینی تقاضای روزانه محصول ماست سون شرکت لبنیات کاله آمل با استفاده از عوامل تاثیرگذار خارجی مانند شرایط آب و هوایی، روزهای خاص تقویم و قیمت محصول می‌باشد. این پیش‌بینی به‌ویژه به دلیل ماهیت فاسدشدنی محصولات که دارای نرخ بالایی از زوال هستند، بسیار مهم است.روش‌شناسی پژوهش: این مطالعه از مجموعه داده‌های عمومی شامل 12 ماه سابقه تقاضا از فروشگاه‌های مختلف خرده‌فروشی مواد غذایی استفاده می‌کند. در ابتدا، این تحقیق از تکنیک پیش‌بینی سری‌های زمانی کلاسیک، به‌ویژه مدل میانگین متحرک همبسته خودکار یکپارچه فصلی با عوامل برون‌زا (sarimax) استفاده می‌کند. متعاقبا، روش‌های پیشرفته‌تر یادگیری ماشین، ازجمله شبکه‌های عصبی حافظه کوتاه‌مدت (lstm) و شبکه‌های عصبی کانولوشنال (cnn) را پیاده‌سازی می‌کند. عملکرد این مدل‌ها با استفاده از روش‌های اندازه‌گیری دقیق مانند ریشه میانگین مربعات خطا (rmse) و میانگین درصد مطلق خطا (mape) ارزیابی و مقایسه می‌شود.یافته‌ها: یافته‌ها نشان می‌دهد که روش cnn از نظر دقت از سایر روش‌های پیش‌بینی برتری دارد. علاوه بر این، مدل lstm نیز عملکرد خوبی را نشان می‌دهد، اگرچه به برتری روش cnn نیست.اصالت/ارزش افزوده علمی: این تحقیق با تمرکز بر پیش‌بینی تقاضای کالاهای فاسدشدنی که به دلیل نرخ فرسودگی بالای آن‌ها اهمیت دوچندانی دارد، به ادبیات موجود کمک می‌کند. همچنین علاقه و اثربخشی رو به رشد تکنیک‌های یادگیری ماشینی پیشرفته، به‌ویژه cnn و lstm را در بهبود دقت پیش‌بینی‌های تقاضا برجسته می‌کند. این مطالعه بینش‌های ارزشمندی را برای مشاغل در صنعت لبنیات با هدف افزایش سود اقتصادی و رقابت آن‌ها از طریق پیش‌بینی بهتر تقاضا ارایه می‌دهد.

daily forecasting of demand for perishable goods using deep learning (case study: seven yoghurt، kale amol dairy products company)

purpose: the purpose of this research is to predict the daily demand for seven yogurt products from the kale amol dairy products company، leveraging external influencing factors such as weather conditions، specific calendar days، and product prices. this forecasting is particularly crucial due to the perishable nature of the products، which have a high rate of deterioration.methodology: this study employs a public dataset comprising 12 months of demand history from various food retail stores. initially، the research uses the classic time series forecasting technique، specifically the seasonal auto-regressive integrated moving average with exogenous factors (sarimax). subsequently، it implements more advanced machine learning methods، including long short-term memory (lstm) neural networks and convolutional neural networks (cnn). the performance of these models is evaluated and compared using accuracy measurement methods such as root mean square error (rmse) and mean absolute percentage error (mape).findings: the findings reveal that the cnn method outperforms other forecasting methods in terms of accuracy. additionally، the lstm model also demonstrates good performance، although it is not as superior as the cnn method.originality/value: this research contributes to the existing literature by focusing on the demand forecasting of perishable goods، which has double importance due to their high deterioration rate. it also highlights the growing interest and effectiveness of advanced machine learning techniques، particularly cnn and lstm، in improving the accuracy of demand forecasts. this study provides valuable insights for businesses in the dairy industry aiming to enhance their economic profit and competitiveness through better demand forecasting.