Συντάχθηκε 03-11-2026 10:47
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 05/11/2026 09:00
Λήξη: 05/11/2026 10:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Γεωργίου Χαζλή
με θέμα
Πρόβλεψη Ζήτησης με Χρήση Μηχανικής Μάθησης
Demand Forecasting Using Machine Learning
Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Γ. Λαγουδάκης (Σχολή ΗΜΜΥ, Επιβλέπων)
Καθηγητής Μιχαήλ Ζερβάκης (Σχολή ΗΜΜΥ)
Καθηγητής Διονύσιος Χριστόπουλος (Σχολή ΗΜΜΥ)
Περίληψη
Η παρούσα διπλωματική εργασία συγκρίνει διαφορετικές μεθόδους για την πρόβλεψη ημερήσιων πωλήσεων, συμπεριλαμβανομένων στατιστικών μεθόδων, αλγορίθμων μηχανικής μάθησης και μοντέλων βαθιάς μηχανικής μάθησης. Η πρόβλεψη των πωλήσεων είναι σημαντική για την υποστήριξη αποφάσεων που σχετίζονται με τη διαχείριση αποθεμάτων, τη διαθεσιμότητα προϊόντων και τον βραχυπρόθεσμο προγραμματισμό. Ωστόσο, οι μεταβολές στη ζήτηση και τα επαναλαμβανόμενα χρονικά πρότυπα καθιστούν την ακριβή πρόβλεψη των πωλήσεων μια απαιτητική διαδικασία. Το σύνολο δεδομένων που χρησιμοποιήθηκε περιλαμβάνει 913.000 ημερήσιες παρατηρήσεις πωλήσεων για 50 προϊόντα και 10 καταστήματα, για την περίοδο από τον Ιανουάριο του 2013 έως τον Δεκέμβριο του 2017. Πριν εφαρμοστούν οι μέθοδοι πρόβλεψης, εξετάστηκαν η τάση και η εποχικότητα των δεδομένων, ενώ δημιουργήθηκαν και χαρακτηριστικά που βασίζονται στο ημερολόγιο, αλλά και στο ιστορικό των πωλήσεων. Οι στατιστικές μέθοδοι περιλαμβάνουν τις Naive, Seasonal Naive, Moving Average, Holt-Winters και ARIMA/SARIMA. Τα μοντέλα μηχανικής μάθησης περιλαμβάνουν Linear Regression, Decision Trees, Random Forest, XGBoost και LightGBM. Εξετάζονται επίσης Feed Forward Neural Networks, LSTM, CNN και ένα υβριδικό CNN-LSTM. Τα μοντέλα αξιολογούνται με μετρικές σφάλματος πρόβλεψης, όπως MAE, MSE, RMSE, MAPE και SMAPE. Στην εργασία μελετώνται δύο περιπτώσεις πρόβλεψης: η περίπτωση μίας χρονοσειράς, όπου τα μοντέλα αξιολογούνται σε μία επιλεγμένη χρονοσειρά πωλήσεων συγκεκριμένου συνδυασμού καταστήματος και προϊόντος, και η περίπτωση πολλαπλών χρονοσειρών, όπου κάθε μοντέλο εκπαιδεύεται χρησιμοποιώντας χρονοσειρές με παρατηρήσεις από πολλούς συνδυασμούς καταστήματος και προϊόντος. Στα πειράματα της μεμονωμένης χρονοσειράς, τα καλύτερα αποτελέσματα προήλθαν από τα XGBoost και LightGBM. Στα πειράματα πολλαπλών χρονοσειρών τα XGBoost, LightGBM και Feed Forward Neural Network απέδωσαν πολύ καλά, με το LightGBM να επιτυγχάνει τα καλύτερα αποτελέσματα πρόβλεψης. Συνολικά, τα αποτελέσματα δείχνουν ότι η δημιουργία κατάλληλων χαρακτηριστικών και η επιλογή της κατάλληλης ιστορικής πληροφορίας είναι σημαντικές για την πρόβλεψη πωλήσεων. Παράλληλα, τα πειράματα δείχνουν επίσης ότι η αύξηση της πολυπλοκότητας ενός μοντέλου δεν βελτιώνει πάντα την απόδοση της πρόβλεψης.
Abstract
This diploma thesis compares different methods for daily retail sales forecasting, including statistical methods, machine learning algorithms, and deep learning models. Retail sales forecasting is crucial for supporting decisions related to inventory management, product availability and short-term planning. However, fluctuations in demand and recurring temporal patterns make accurate sales forecasting a challenging task. The dataset used comprises 913,000 daily sales observations across 50 products and 10 stores, covering the period from January 2013 to December 2017. Prior to applying the forecasting methods, the data were analyzed for trend and seasonality, and features were engineered based on both the calendar and historical sales data. The statistical methods examined include Naive, Seasonal Naive, Moving Average, Holt-Winters, and ARIMA/SARIMA. The machine learning models include Linear Regression, Decision Trees, Random Forest, XGBoost, and LightGBM. Feed Forward Neural Networks, LSTM, CNN and a hybrid CNN-LSTM are also evaluated. The models are evaluated using forecasting error metrics, such as MAE, MSE, RMSE, MAPE and SMAPE. This study examines two forecasting scenarios: the single time series case, where models are evaluated on a specific sales time series corresponding to a particular store-product combination; and the multiple time series case, where each model is trained using time series data comprising observations from various store-product combinations. In the single time series experiments, the best results were achieved by XGBoost and LightGBM. In the multiple time series experiments, XGBoost, LightGBM, and the Feed Forward Neural Network performed really well, with LightGBM yielding the best forecasting results. Overall, the findings indicate that feature engineering and the selection of relevant historical data are crucial for retail sales forecasting. Furthermore, the experiments demonstrate that increasing model complexity does not always lead to improved forecasting performance.
Meeting ID: 92994287776
Password: 276611
