Deep Neural Networks for Sales Forecasting

• Název práce v češtině: Hluboké neuronové sítě pro předpovídání prodejů
• Název v anglickém jazyce: Deep Neural Networks for Sales Forecasting
• Klíčová slova: hluboké neuronové sítě, předpověd prodejů, strojové učení
• Klíčová slova anglicky: deep neural networks, sales forecasting, machine learning
• Akademický rok vypsání: 2015/2016
• Typ práce: diplomová práce
• Jazyk práce: angličtina
• Ústav: Katedra teoretické informatiky a matematické logiky (32-KTIML)
• Vedoucí / školitel: Mgr. Martin Pilát, Ph.D.
• Řešitel: skrytý - zadáno a potvrzeno stud. odd.
• Datum přihlášení: 03.04.2016
• Datum zadání: 18.04.2016
• Datum potvrzení stud. oddělením: 03.05.2016
• Datum a čas obhajoby: 12.09.2016 10:30
• Datum odevzdání elektronické podoby: 27.07.2016
• Datum odevzdání tištěné podoby: 28.07.2016
• Datum proběhlé obhajoby: 12.09.2016
• Oponenti: doc. RNDr. Iveta Mrázová, CSc.

Zásady pro vypracování

Metody pro předpovídání prodejů umožňují prodejcům lépe plánovat množství výrobků na skladě tak, aby byli schopni uspokojit potřeby svých zákazníků a zároveň neskladovali výrobky zbytečně. Jedná se o předpovídání speciálních časových řad. V minulosti byly pro předpovídání prodejů úspěšně použity neuronové sítě [1,2], zároveň se v současnosti pro předpovídání časových řad začínají prosazovat hluboké neuronové sítě [3,4,5]. Je tedy zajímavé zabývat se otázkou, jak mohou hluboké sítě pomoci vylepšit předpovídání prodejů.

Studentka v práci navrhne a otestuje použítí hlubokých neuronových sítí pro předpovídání prodejů a zároveň je porovná s jinými používanými technikami. Cílem práce by mělo být porovnání jednotlivých modelů a technik a návrh vhodných postupů pro praktické použítí v této oblasti.

Seznam odborné literatury

[1] Thiesing, F. M., & Vornberger, O. (1997). Forecasting sales using neural networks. In Computational Intelligence Theory and Applications (pp. 321-328). Springer Berlin Heidelberg.
[2] Muller-Navarra, M., Lessmann, S., & Voß, S. (2015). Sales Forecasting with Partial Recurrent Neural Networks: Empirical Insights and Benchmarking Results. In System Sciences (HICSS), 2015 48th Hawaii International Conference on (pp. 1108-1116). IEEE.
[3] Bengio, Y., Courville, A., & Vincent, P. (2013). Representation learning: A review and new perspectives. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 35(8), 1798-1828.
[4] Kuremoto, T., Kimura, S., Kobayashi, K., & Obayashi, M. (2014). Time series forecasting using a deep belief network with restricted Boltzmann machines. Neurocomputing, 137, 47-56.
[5] Dalto, M., Matusko, J., & Vasak, M. (2015). Deep neural networks for ultra-short-term wind forecasting. In Industrial Technology (ICIT), 2015 IEEE International Conference on (pp. 1657-1663). IEEE.