Please use this identifier to cite or link to this item: http://repository.kpi.kharkov.ua/handle/KhPI-Press/57689
Title: Модель на основі шаблонів для короткострокового прогнозування кількості транзакцій у роздрібних магазинах одягу
Other Titles: Template-based model for short-term forecasting of the number of transactions in retail clothing stores
Authors: Галуза, Олексій Анатолійович
Костюк, Ольга Василівна
Нікульченко, Артем Олександрович
Ахієзер, Олена Борисівна
Асландуков, Микола Олексійович
Keywords: кількість транзакцій; часові ряди; модель на основі шаблонів; адаптивна прогнозна модель; методи короткострокового прогнозування; number of transactions; short-term forecasting methods; customer number forecasting; adaptive forecasting model; pattern-based model
Issue Date: 2022
Publisher: Національний технічний університет "Харківський політехнічний інститут"
Citation: Модель на основі шаблонів для короткострокового прогнозування кількості транзакцій у роздрібних магазинах одягу / О. А. Галуза, О. В. Костюк, А. О. Нікульченко, О. Б. Ахієзер, М. О. Асландуков // Вісник Національного технічного університету "ХПІ". Сер. : Системний аналіз, управління та інформаційні технології = Bulletin of the National Technical University "KhPI". Ser. : System analysis, control and information technology : зб. наук. пр. – Харків : НТУ "ХПІ", 2022. – № 1 (7). – С. 51-56.
Abstract: Отримання прогнозних значень показників з урахуванням історичних даних, що представлені часовими рядами, відіграє вирішальну роль у прийнятті бізнес-рішень у різних галузях. Однією з таких сфер застосування є задача передбачення кількості транзакцій у fashion-магазинах роздрібної мережі з метою оптимального планування робочого часу працівників та досягнення максимального задоволення покупців якістю обслуговування. Вибір відповідної моделі прогнозування часових рядів залежить від горизонту прогнозу, а також характеристик часового ряду, а саме тренду, сезонності, циклічності та нерегулярності. Традиційні методи аналізу та прогнозування часових рядів призначені для обробки однієї сезонності в часовому ряду, але за наявності множинної сезонності ці методи не працюють задовільно. Застосування методів декомпозиції часового ряду характеризується обчислювальною складністю. Використання методів машинного навчання також не завжди є доцільним з низки різноманітних причин. Таким чином, необхідно використовувати прості адаптивні моделі, на основі вибраних шаблонів, для прогнозування сезонних даних складної структури, що повторюються. Основна мета цієї статті – розробити успішну адаптивну модель та запропонувати методи її використання для короткострокового прогнозування кількості транзакцій на основі даних у вигляді часових рядів. Для цілей оцінки використовується набір погодинних рядів кількості покупців (транзакцій) деяких магазинів роздрібної мережі, що характеризуються множинною сезонністю. Результати обчислювальних експериментів показують, що запропонована модель на основі шаблонів є досить ефективною для отримання короткострокових прогнозних значень. Ця модель, що характеризується простотою, інтуїтивною зрозумілістю і мінімальним числом параметрів, фактично може бути застосована до будь-якої області даних, представлених часовими рядами.
Obtaining predictive values of indicators based on historical data represented by time series plays a crucial role in making business decisions in various industries. One of these areas of application is the task of predicting the number of transactions in retail stores in order to optimally plan the working hours of employees and achieve maximum customer satisfaction with the quality of service. The choice of an appropriate time series forecasting model depends on the forecast horizon, as well as the characteristics of the time series, namely trend, seasonality, cyclicality, and irregularity. Traditional time series analysis and forecasting methods are designed to handle a single seasonality in a time series, but in the presence of multiple seasonality, these methods do not work satisfactorily. The use of time series decomposition methods is characterized by computational complexity. The use of machine learning methods is also not always advisable for a number of different reasons. Thus, it is necessary to use simple adaptive models, based on selected patterns, for recurring seasonal data of complex structure. The main goal of this article is to develop a successful adaptive model and propose methods for using it for short-term forecasting of the number of transactions based on time series data. For estimation purposes, a set of hourly time series of the number of customers (transactions) of some retail chain stores, characterized by multiple seasonality, is used. The results of computational experiments show that the proposed template-based model is quite effective for obtaining short-term predictive values. This model, characterized by simplicity, intuitiveness and a minimum number of tuning parameters, can actually be applied to any area of data represented by time series.
ORCID: orcid.org/0000-0003-3809-149X
orcid.org/0000-0003-2037-7713
orcid.org/0000-0003-2154-291X
orcid.org/0000-0002-7087-9749
orcid.org/0000-0002-8797-5817
DOI: doi.org/10.20998/2079-0023.2022.01.08
URI: http://repository.kpi.kharkov.ua/handle/KhPI-Press/57689
Appears in Collections:Вісник № 01. Системний аналіз, управління та інформаційні технології

Files in This Item:
File Description SizeFormat 
visnyk_KhPI_2022_1_SAUI_Haluza_Model.pdf1,59 MBAdobe PDFView/Open
Show full item record  Google Scholar



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