the possibility of underestimation

the possibility of underestimation and overestimation is very high due to high service level,
peak, and sparse sales in food retail industry. Therefore, a hybrid SARIMA and Quantile Regression
(SARIMA-QR) is developed to construct high and low quantile predictions. Instead of extrapolating the
quantiles from the mean point forecasts of SARIMA-MLR model based on the assumption of normality,
the SARIMA-QR model directly forecasts the quantiles. The developed SARIMA-MLR and SARIMA-QR
models are applied in modeling and forecasting of sales data, i.e., the daily sales of banana from a discount
retail store in Lower Bavaria, Germany. The results show that the SARIMA-MLR and -QR models
yield better forecasts at out-sample data when compared to seasonal naïve forecasting, traditional
SARIMA, and multi-layered perceptron neural network (MLPNN) models. Unlike the SARIMA-MLR model,
the SARIMA-QR model provides better prediction intervals and a deep insight into the effects of demand
influencing factors for different quantiles.

ผลลัพธ์ (ไทย) 1:

underestimation และ overestimation จะสูงมากเนื่องจากระดับการให้บริการสูงสูงสุด และขายห่างในอุตสาหกรรมค้าปลีกอาหาร ดังนั้น ไฮบริทิพยและถดถอย Quantile(สมถวิล-QR) ได้รับการพัฒนาเพื่อสร้างการคาดคะเน quantile สูงและต่ำ แทน extrapolating การquantiles จากการคาดการณ์จุดหมายถึงรุ่นทิพย MLR ตามสมมติฐานของเครื่องรุ่น QR ทิพยโดยตรงคาดการณ์ quantiles สมถวิล MLR พัฒนาและทิพย QRรุ่นที่ใช้ในการสร้างแบบจำลอง และการพยากรณ์ของข้อมูลการขาย เช่น การขายประจำวันของกล้วยจากส่วนลดร้านค้าปลีกในต่ำกว่าบาวาเรีย เยอรมนี ผลลัพธ์แสดงว่ารุ่นทิพย MLR และ -QRคาดการณ์อัตราผลตอบแทนดีกว่าที่ออกตัวอย่างข้อมูลเมื่อเทียบกับการคาดการณ์ไร้เดียงสาตามฤดูกาล ดั้งเดิมสมถวิล และเพอร์เซปตรอนหลายชั้นแบบจำลองโครงข่ายประสาท (MLPNN) ซึ่งแตกต่างจากรูปแบบ MLR ทิพยรุ่น QR ทิพยให้ช่วงคาดการณ์ที่ดีและมีข้อมูลเชิงลึกผลกระทบของความต้องการปัจจัยที่มีอิทธิพลต่อการ quantiles ที่แตกต่างกัน

ผลลัพธ์ (ไทย) 2:

เป็นไปได้ของการดูเบาและประเมินค่าสูงอยู่ในระดับสูงมากเนื่องจากระดับสูงบริการ
สูงสุดและการขายเบาบางในอุตสาหกรรมค้าปลีกอาหาร ดังนั้นไฮบริดและ SARIMA Quantile ถดถอย
(SARIMA-QR) ได้รับการพัฒนาเพื่อสร้างการคาดการณ์ quantile สูงและต่ำ แทนที่จะคะเน
quantiles จากการคาดการณ์จุดเฉลี่ยของรูปแบบ SARIMA-MLR อยู่บนสมมติฐานของปกติที่
รูปแบบ SARIMA QR-โดยตรงคาดการณ์ quantiles ที่พัฒนา SARIMA-MLR และ SARIMA QR-
แบบจำลองจะนำไปใช้ในการสร้างแบบจำลองและการพยากรณ์ข้อมูลการขายเช่นการขายประจำวันของกล้วยจากส่วนลด
ร้านค้าปลีกใน Lower บาวาเรียเยอรมนี ผลการศึกษาพบว่า SARIMA-MLR และรูปแบบ -qr
ผลผลิตคาดการณ์ที่ดีกว่าที่ข้อมูลจากตัวอย่างเมื่อเทียบกับการคาดการณ์ที่ไร้เดียงสาตามฤดูกาลแบบดั้งเดิม
SARIMA และหลายชั้น Perceptron เครือข่ายประสาท (MLPNN) รุ่น ซึ่งแตกต่างจากรูปแบบ SARIMA-MLR,
รุ่น SARIMA QR-ให้ช่วงการคาดการณ์ที่ดีขึ้นและมีความเข้าใจที่ลึกลงไปในผลกระทบของความต้องการ
ที่มีอิทธิพลต่อปัจจัย quantiles ที่แตกต่างกัน