Deep Neural Networks for Sales Forecasting

• Thesis title in Czech: Hluboké neuronové sítě pro předpovídání prodejů
• Thesis title in English: Deep Neural Networks for Sales Forecasting
• Key words: hluboké neuronové sítě, předpověd prodejů, strojové učení
• English key words: deep neural networks, sales forecasting, machine learning
• Academic year of topic announcement: 2015/2016
• Thesis type: diploma thesis
• Thesis language: angličtina
• Department: Department of Theoretical Computer Science and Mathematical Logic (32-KTIML)
• Supervisor: Mgr. Martin Pilát, Ph.D.
• Author: hidden - assigned and confirmed by the Study Dept.
• Date of registration: 03.04.2016
• Date of assignment: 18.04.2016
• Confirmed by Study dept. on: 03.05.2016
• Date and time of defence: 12.09.2016 10:30
• Date of electronic submission: 27.07.2016
• Date of submission of printed version: 28.07.2016
• Date of proceeded defence: 12.09.2016
• Opponents: doc. RNDr. Iveta Mrázová, CSc.

Guidelines

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.

References

[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.