Satış tahmini için uzun kısa-süreli bellek ağı tabanlı derin transfer öğrenme yaklaşımı

Abstract

Üretim ve hizmet sektörlerinde faaliyet gösteren firmalar, artan rekabet koşulları ile mücadele edebilmek için belirsizlik altında geleceğe yönelik çeşitli kararlar alırlar. Bu kritik kararlardan biri satış tahminidir. Dijital teknolojilerin yaygınlaşması ile derin öğrenme yaklaşımlarının satış tahmininde kullanımı artmaktadır. Derin öğrenme, başarılı sonuçlar vermesine rağmen büyük miktarda veri ile uzun eğitim sürelerine ihtiyaç duymaktadır. Bu duruma çözüm olarak problemler arası bilgi aktarımını sağlayan transfer öğrenme (TL) kullanılmaktadır. Transfer öğrenme, kaynak veriler ile modelin eğitimini ve hedef veriye aktarımını sağlamaktadır. Bu çalışmada, farklı ürünlerin satış tahmini modellerinden elde edilen bilginin gelecekteki tahmin modellerine aktarımını sağlamak üzere derin transfer öğrenme yaklaşımı önerilmiştir. Satış verisi tek değişkenli zaman serisi olarak ele alınmıştır. Kaynak veri seçiminde aktarılabilirlik ölçütü olarak hedef ve kaynak veri arasındaki gerçek cezalı düzenleme uzaklığı (ERP) kullanılmıştır. Seçilen kaynak veri ile zamansal bağımlılıkların modellenmesini sağlayan uzun kısa vadeli hafıza (LSTM) ağı eğitilmiştir. Ön eğitilen LSTM ağında parametre transferi yapılarak hedef veri için ERP-LSTM-TL tahmin modeli oluşturulmuştur. Çeşitli sektörlere ait satış veri kümelerinde yapılan deneysel çalışmalarda ERP-LSTM-TL, hedef veri ile eğitilen LSTM’e göre tahmin doğruluğunda ve eğitim süresinde iyileşme sağlamıştır. Önerilen yaklaşımın performansı klasik tahmin ve makine öğrenmesi yöntemlerinin performansları ile karşılaştırılmıştır. ERP-LSTM-TL karşılaştırılan yöntemlere göre istatistiksel olarak daha iyi sonuç vermiştir.

Görme engelliler için nesne tanıma ve resim altyazısını derin öğrenme teknikleriyle entegre eden verimli bir aktivite tanıma modeli

“…Her LSTM yapısı, bilginin hangi kısımlarının unutulacağını veya hatırlanacağını, bir sonraki aşamaya geçilip geçilmeyeceği bilgisini içeren unutma, giriş ve çıkış kapılarından meydana gelmektedir. Uzun kısa dönem hafıza ağlarının metin sınıflandırma [31][32], hastalık tespiti [33], zaman serisi analizi [34,35], görüntü tanıma [36][37], finansal ürünlerin fiyat tahmini [38], satış tahmini [39] gibi alanlarda uygulamaları bulunmaktadır. Bu çalışmada, uzun kısa dönem hafıza ağları (LSTM) modeli görüntü altyazısı oluşturma amacıyla kullanılmıştır.…”

The Research on Deep Learning-Driven Dimensionality Reduction and Strain Prediction Techniques Based on Flight Parameter Data

“…The neural network prediction models after AE dimensionality reduction should be selected for strain prediction of an aircraft. The recurrent neural network (RNN) [22] and LSTM [23] are the mostly used models for this purpose. However, there has been less previous research to determine which model is more suitable for predicting strain in aircraft structures.…”