In the retail stage of a food suppl

In the retail stage of a food supply chain, food waste and stock-outs occur mainly due to
inaccurate
forecasting of sales which leads to incorrect ordering of products. The time series sales in
food retail industry are characterized by high volatility and skewness, which vary by time. So, the
interval forecasts are required by the retail companies to set appropriate inventory policy
(reorder point or safety stock level). This paper attempts to develop a seasonal autoregressive
integrated moving average with external variables (SARIMAX) model to forecast daily sales of a
perishable food. The process of fitting a SARIMAX model in this study involves: (i) the development
of Seasonal Autoregressive Integrated Moving Average (SARIMA) model and (ii) combining the SARIMA
model and the demand influencing factors using linear regression. As the SARIMAX using multiple
linear regression (SARIMA-MLR) 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:

ในขั้นตอนการค้าปลีกของห่วงโซ่อุปทานอาหาร อาหารขยะและสต็อกลึกหนาบางเกิดขึ้นมาส ไม่ถูกต้องการคาดการณ์ยอดขายซึ่งนำไปสู่การจัดลำดับไม่ถูกต้องของผลิตภัณฑ์ ขายชุดเวลาใน อุตสาหกรรมการค้าปลีกอาหารมีลักษณะ โดยความผันผวนสูงและความเบ้ ซึ่งแตกต่างไปตามเวลา ดังนั้น การ คาดการณ์ช่วงเวลาจำเป็น โดยบริษัทค้าปลีกตั้งนโยบายสินค้าคงคลังที่เหมาะสม (เรียงจุดหรือความปลอดภัยระดับ) กระดาษนี้พยายามพัฒนา autoregressive เป็นตามฤดูกาล รวมค่าเฉลี่ยกับตัวแปรภายนอก (SARIMAX) ในการพยากรณ์ยอดขายรายวันของเคลื่อน อาหารเน่าเสียง่าย กระบวนการ fitting ที่เกี่ยวข้องกับแบบจำลอง SARIMAX ในการศึกษานี้: (i) การพัฒนา ของรูปแบบฤดูกาล Autoregressive รวมย้ายเฉลี่ย (สมถวิล) และ (ii) รวมสมถวิลการ รูปแบบและปัจจัย influencing ความต้องการโดยใช้การถดถอยเชิงเส้น เป็น SARIMAX ที่ใช้หลาย แบบจำลองถดถอยเชิงเส้น (สมถวิล-MLR) ผลิตเพียงหมายถึงการคาดการณ์ ความเป็นไปได้ของ underestimation และ overestimation จะสูงมากเนื่องจากระดับการให้บริการสูง สูงสุด และขายห่าง ในวงการค้าปลีกอาหาร ดังนั้น ไฮบริทิพยและถดถอย Quantile (สมถวิล-QR) เป็น พัฒนาเพื่อสร้างการคาดคะเน quantile สูงและต่ำ แทน quantiles extrapolating จากเฉลี่ยชี้คาดการณ์รุ่นทิพย MLR ตามสมมติฐานของเครื่อง การ รุ่น QR ทิพยโดยตรงคาดการณ์ quantiles รุ่นทิพย MLR และ QR สมถวิลพัฒนา ใช้ในการสร้างแบบจำลอง และการพยากรณ์ของข้อมูลการขาย เช่น การขายประจำวันของกล้วยจาก dis- จำนวนร้านค้าปลีกในต่ำกว่าบาวาเรีย เยอรมนี ผลลัพธ์แสดงว่ารุ่นทิพย MLR และ -QR คาดการณ์อัตราผลตอบแทนดีกว่าที่ออกตัวอย่างข้อมูลเมื่อเทียบกับการคาดการณ์ไร้เดียงสาตามฤดูกาล ดั้งเดิม สมถวิล และเพอร์เซปตรอนหลายชั้นแบบจำลองโครงข่ายประสาท (MLPNN) ซึ่งแตกต่างจากรูปแบบ MLR ทิพย รุ่น QR ทิพยให้ช่วงคาดการณ์ที่ดีและมีข้อมูลเชิงลึกผลกระทบของ ความต้องการปัจจัย influencing quantiles แตกต่างกัน

ผลลัพธ์ (ไทย) 3:

ในเวทีการค้าปลีกของอุปทานอาหารโซ่ เศษอาหารและหุ้นลึกหนาบางเกิดขึ้นส่วนใหญ่เนื่องจากที่ไม่ถูกต้องการพยากรณ์การขายที่นำไปสู่การสั่งซื้อผลิตภัณฑ์ที่ไม่ถูกต้อง เวลาชุดขายในอุตสาหกรรมอาหารมีความผันผวนสูงและความเบ้ ซึ่งแตกต่างกันไปตามกาลเวลา ดังนั้นช่วงเวลาการคาดการณ์จะต้องโดย บริษัท ค้าปลีกเพื่อกำหนดนโยบายสินค้าคงคลังที่เหมาะสม( จุดสั่งซื้อหรือความปลอดภัยระดับหุ้น ) งานวิจัยฉบับนี้มีวัตถุประสงค์เพื่อพัฒนาตัวเองในฤดูกาลค่าเฉลี่ยเคลื่อนที่แบบบูรณาการกับตัวแปรภายนอก ( sarimax ) แบบจำลองพยากรณ์ทุกวัน ขาย ของอาหารที่เน่าเสียได้ กระบวนการถ่ายทอด sarimax ตัดเป็นแบบในการศึกษานี้เกี่ยวข้องกับ : ( ฉัน ) การพัฒนาของฤดูกาลในตัวเองรวมเฉลี่ยเคลื่อนที่ ( sarima ) รูปแบบและ ( ii ) การรวม sarimaรูปแบบและความต้องการในfl uencing ปัจจัยโดยใช้วิธีการถดถอยเชิงเส้น เป็น sarimax ใช้หลายการถดถอยเชิงเส้น ( sarima-mlr ) รุ่นผลิตเพียงหมายถึงการพยากรณ์ความเป็นไปได้การประเมินค่าต่ำไป และประเมินมากเกินไปมีสูงมากเนื่องจากสูงระดับการให้บริการสูงสุด และป่าโปร่ง ขายในอุตสาหกรรมอาหาร ดังนั้น การผสมและการ sarima ควอนไทล์ ( sarima-qr ) คือพัฒนาเพื่อสร้างการคาดการณ์ควอนไทล์ สูงและต่ำ แทนของการประมาณการ quantilesจากการคาดการณ์ของแบบจำลองหมายถึงจุด sarima-mlr อยู่บนสมมติฐานของการแจกแจงแบบปกติที่sarima-qr แบบตรงคาด quantiles . และพัฒนา sarima-mlr sarima-qr รุ่นที่ใช้ในการสร้างและการขายข้อมูล เช่น ทุกวัน ขายกล้วยจากพวกเขาจำนวนร้านค้าปลีกในไฟล์เซิร์ฟเวอร์ , เยอรมนี ผลการวิจัยแสดงให้เห็นว่า sarima-mlr และ QR รุ่นผลผลิตที่ออกมาดีกว่าคาดการณ์ข้อมูลตัวอย่างเมื่อเทียบกับฤดูกาลและไตได้พยากรณ์ , แบบดั้งเดิมsarima และโครงข่ายประสาทเทียมแบบธรรมดา ( mlpnn ) รุ่น ซึ่งแตกต่างจาก sarima-mlr รุ่นการ sarima-qr โมเดลให้ดีการทำนายช่วงเวลาและข้อมูลเชิงลึกลึกลงในผลของอุปสงค์ในปัจจัยที่ uencing flสำหรับ quantiles แตกต่างกัน