SCM에서 SARIMA와 LSTM의 앙상블 학습
Ensemble Learning of SARIMA and LSTM in SCM
- 주제(키워드) 공급 사슬 관리 , SARIMA , 장단기 기억 메모리 , 앙상블 학습
- 발행기관 아주대학교
- 지도교수 권순선
- 발행년도 2019
- 학위수여년월 2019. 8
- 학위명 석사
- 학과 및 전공 일반대학원 데이터사이언스학과
- 실제URI http://www.dcollection.net/handler/ajou/000000029098
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
공급사슬관리(Supply Chain Management; SCM)이란공급망전체를하나의통합된개체로보고이를최적화하고자하는경영방식이다.운영의효율이라는관점에서는빅데이터를활용하여시장의수요예측,실시간경로최적화,창고배치최적화등의프로세스효율을증대하고운영비용을감소시킬수있다.하지만계절성,물품에대한유행,회사 사업마케팅전략,이벤트등의외부사회현상으로인하여시장의예측은매우힘든일이다.본논문에서는SCM의계절성이반영된데이터의수요예측을 위해서데이터의전처리방법과특정단위기간의예측을 위한분류자(Classifier)의설정을설명하고계절성자기회귀누적이동평균(Seasonal Autoregressive IntergratedMoving Average; SARIMA)모델과장단기 기억(Long-Short Term Memory;LSTM)모델간의앙상블학습을통한예측방법을설명하여수요예측모델을구축하고자한다.
more목차
차례
제 1절 서론
제 2절 기존 방법론
2.1 SARIMA
2.2 인공신경망
2.3 장단기 기억 신경망
2.4 앙상블 학습
제 3절 실험 설계
3.1 제안 방법론
3.2 데이터 전처리
3.3 SKU의 주기별 분류
3.4 예측 시스템의 구성
3.5 모델 평가 방법
3.6 장단기 기억 신경망 모델링
제 4절 실험 결과
4.1 SKU 분류 결과
4.2 장단기 기억 신경망 및 SARIMA 예측 결과
4.3 앙상블 예측 결과
제 5절 결론
표 차례
1 ADF 검정 결과
2 Score에 따른 SKU 개수
3 변환에 따른 Score의 변화
4 주차별 LSTM 모델 생성 개수
5 SKU별 RMSE 예시
그림 차례
1 인공신경망의 예시
2 퍼셉트론
3 퍼셉트론의 학습
4 다층 퍼셉트론
5 역전파 학습 예시
6 LSTM 구조
7 양방향 LSTM
8 Stacked LSTM
9 Bias-Variance Trade Off
10 앙상블 학습의 예시
11 SKU 거래 그래프
12 시계열 전처리
13 One-Hot Encoding
14 예측 시스템 개요
15 LSTM 예측 시스템 개요
16 SARIMA 예측 시스템 개요
17 상관관계 예시
18 SKU별 주문 패턴
19 LSTM+SARIMA 예측 결과
20 앙상블 학습 결과