پیش‌بینی فروش محصولات غذایی با طول عمر کوتاه با استفاده از یادگیری عمیق

تنوع تولید محصولات غذایی و رقابت شدید در این حوزه، باعث شده تا نقش تحلیل‌گران برای پیش‌بینی، تجزیه و تحلیل داده‌ها در اینگونه صنایع و به خصوص در صنعت پخش مواد غذایی پر رنگ‌تر شود. از همین رو ارائه راهکاری که بتواند بر اساس داده‌های گذشته، ابزاری هوشمند را به عنوان مکمل تصمیم‌گیری در اختیار آن‌ها قرار دهد، ضروری به نظر می‌رسد. در این مقاله راهکاری بر پایه‌ی یادگیری عمیق، برای پیش‌بینی فروش محصولات لبنی با طول عمر چند روزه و با استفاده از چندین ویژگی، که در فروش و ضایعات این دسته محصولات نقش دارند، با استفاده از شبکه‌های عصبی بازگشتی حافظه طولانی‌کوتاه مدت یا long short-term memory (lstm) ارائه شده است. در ابتدا مدلی بر پایه lstm طراحی شد که فقط بر اساس یک ویژگی، متغیر بعدی را تخمین می‌زد، سپس جهت بالابردن دقت پیش‌بینی و کم کردن مقدار خطای میانگین مربعات یاmean squared error(mse) ، به چگونگی مشارکت چند ویژگی در پیش‌بینی متغیر بعدی فکر کردیم که نهایتا با قالب‌بندی منطقی داده‌ها، مدل جدیدی بر اساس چند ویژگی برای پیش‌بینی متغیر بعدی بدست آمد که علاوه برکاهش چشم‌گیر mse، از پایداری بیشتر، سرعت بالاتر و عملکرد بهتری نیز برخوردار است.