model produces only meanforecast, t

model produces only mean
forecast, 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 dis- count 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:

รุ่นผลิตเดียวหมายถึงอะไรการคาดการณ์ underestimation และ overestimation จะสูงมากเนื่องจากบริการสูง ระดับ สูงสุด และขายห่างในอุตสาหกรรมค้าปลีกอาหาร ดังนั้น ไฮบริทิพยและ Quantile ถดถอย (สมถวิล-QR) ได้รับการพัฒนาเพื่อสร้างการคาดคะเน quantile สูงและต่ำ แทนที่ extrapolating quantiles จากการคาดการณ์หมายถึงจุดของรูปแบบ MLR ทิพยอิง สมมติฐานของเครื่อง รุ่น QR ทิพยโดยตรงคาดการณ์ quantiles การพัฒนา รุ่นทิพย MLR และทิพย QR จะใช้ในการสร้างแบบจำลอง และการพยากรณ์ของข้อมูลการขาย คือ การ ยอดขายรายวันของกล้วยจากร้านค้าปลีกแบบ dis-จำนวนเก็บในต่ำกว่าบาวาเรีย เยอรมนี การแสดงผล ให้ผลผลิตรุ่นทิพย MLR และ -QR ดีกว่าคาดการณ์ที่ข้อมูลเมื่อเปรียบเทียบกับตัวอย่างออก การคาดการณ์ไร้เดียงสาตามฤดูกาล ทิพยแบบดั้งเดิม และข่ายประสาทหลายชั้นเพอร์เซปตรอน (MLPNN) รุ่น ซึ่งแตกต่างจากรูปแบบ MLR ทิพย รุ่น QR ทิพยให้ช่วงคาดการณ์ที่ดี และ มีข้อมูลเชิงลึกผลกระทบของความต้องการปัจจัย influencing quantiles แตกต่างกัน

ผลลัพธ์ (ไทย) 2:

รูปแบบการผลิตเพียงหมายถึง
การคาดการณ์ความเป็นไปได้ของการดูเบาและประเมินค่าสูงอยู่ในระดับสูงมากเนื่องจากการสูงบริการ
ระดับสูงสุดและการขายเบาบางในอุตสาหกรรมค้าปลีกอาหาร ดังนั้นไฮบริดและ SARIMA Quantile
ถดถอย (SARIMA-QR) ได้รับการพัฒนาเพื่อสร้างการคาดการณ์ quantile สูงและต่ำ แทนที่จะ
คะเน quantiles จากการคาดการณ์จุดเฉลี่ยของรูปแบบ SARIMA-MLR อยู่บนพื้นฐานของ
สมมติฐานปกติรุ่น SARIMA QR-โดยตรงคาดการณ์ quantiles ที่พัฒนา
SARIMA-MLR และ SARIMA QR-แบบจำลองจะนำไปใช้ในการสร้างแบบจำลองและการพยากรณ์ข้อมูลการขายเช่นการ
ขายประจำวันของกล้วยจากร้านค้าปลีกนับปรากฏในตอนล่าง, เยอรมนี ผลการศึกษาพบ
ว่า SARIMA-MLR และรูปแบบ -qr ผลผลิตคาดการณ์ที่ดีกว่าที่ข้อมูลจากตัวอย่างเมื่อเทียบกับการ
คาดการณ์ที่ไร้เดียงสาฤดูกาล SARIMA แบบดั้งเดิมและหลายชั้น Perceptron เครือข่ายประสาท (MLPNN)
รุ่น ซึ่งแตกต่างจากรูปแบบ SARIMA-MLR รุ่น SARIMA QR-ให้ช่วงการคาดการณ์ที่ดีขึ้นและ
มีความเข้าใจที่ลึกลงไปในผลกระทบของความต้องการ
ในปัจจัยที่ฟลอริด้า uencing สำหรับ quantiles ที่แตกต่างกัน

ผลลัพธ์ (ไทย) 3:

รุ่นผลิตเพียงหมายถึงพยากรณ์ความเป็นไปได้ของการการประเมินค่าต่ำไป และประเมินมากเกินไป มีสูงมาก เนื่องจากการบริการสูงระดับ , สูงสุด , และการขายมากในอุตสาหกรรมค้าปลีกอาหาร ดังนั้น sarima ไฮบริดและควอนไทล์การถดถอย ( sarima-qr ) คือการพัฒนาเพื่อสร้างการคาดการณ์ควอนไทล์ สูงและต่ำ แทนการประมาณหมายถึงจุดที่ quantiles จากการคาดการณ์ของแบบจำลอง sarima-mlr ขึ้นอยู่กับต่ำกว่าปกติ , sarima-qr แบบตรงคาด quantiles . ที่พัฒนาขึ้นและรุ่น sarima-mlr sarima-qr จะใช้ในการจำลองและพยากรณ์การขายข้อมูล เช่นทุกวัน ขายกล้วยจากจากจำนวนร้านค้าปลีกในไฟล์เซิร์ฟเวอร์ , เยอรมนี ผลลัพธ์ที่แสดงที่ sarima-mlr - นายแบบและผลผลิตที่ออกมาดีกว่าคาดการณ์ QR ตัวอย่างข้อมูลเมื่อเทียบกับฤดูกาล na ไตได้พยากรณ์ , sarima แบบดั้งเดิม และแบบธรรมดา ( mlpnn ) เครือข่ายประสาทรุ่น ซึ่งแตกต่างจาก sarima-mlr โมเดล , โมเดล sarima-qr มีการทำนายช่วงเวลาและดีกว่าข้อมูลเชิงลึกลึกลงในผลของความต้องการในปัจจัยที่ uencing flสำหรับ quantiles แตกต่างกัน