Taylor (2007) developed an exponent

Taylor (2007) developed an exponentially weighted quantile
regression method, which generates interval forecasts from
quantile predictions. He also recommended the application of
interval forecasting method when the time series are highly volatile and skewed due to
extreme values. His method provides better results when compared to traditional methods. Chen
and Ou (2009) developed a model which integrates gray relation analysis and multi-layer
functional link network to forecast sales of perishable food in a convenience store. They proved
this model reduces more percentage of forecast error than other statistical time series (moving
average, autoregressive integrated moving average (ARIMA), generalized autoregressive conditional
hetero- skedasticity (GARCH)) and artificial neural networks (ANN) (BPNN, Generalized BPNN) models.
Hasin et al. (2011) suggested a fuzzy ANN approach to forecast sales of selected products
(including perishable foods) in a retail chain in Bangladesh. They also proved that the
forecasting performance of fuzzy ANN is better than holt- winter's model in terms of mean
absolute percentage error (MAPE). Lee et al. (2012) used a sales forecasting model for con-
venience stores using BPNN and compared the results with mov- ing average and logistic regression.
Shukla and Jharkharia (2013) applied ARIMA model to forecast the demand of vegetable on daily basis
in an Indian wholesale vegetable market with a MAPE in the range of 30%. Žliobaitė et al. (2012)
presented a two level switch model and studied a case of food wholesaler Sligro Food Group N.
V. This sales prediction approach divides the time series sales into predictable and random, then
uses intelligent predictor for pre-
dictable and moving average for random.

ผลลัพธ์ (ไทย) 1:

เทย์เลอร์ (2007) พัฒนาการ quantile ถ่วงน้ำหนักชี้แจงวิธีการถดถอย ซึ่งสร้างช่วงเวลาจากการคาดการณ์การคาดการณ์ quantile เขายังแนะนำการประยุกต์ใช้วิธีการคาดการณ์เมื่ออนุกรมเวลามีความผันผวนสูง และเบ้เนื่องจากช่วง ค่ามาก วิธีการของเขาให้ผลลัพธ์ที่ดีกว่าเมื่อเทียบกับวิธีดั้งเดิม เฉิน และ Ou (2009) ได้พัฒนาแบบจำลองซึ่งรวมการวิเคราะห์ความสัมพันธ์ของสีเทาและหลายชั้น เครือข่ายเชื่อมโยงการทำงานในการพยากรณ์การขายอาหารที่เน่าเสียง่ายในร้านสะดวกซื้อ พวกเขาได้พิสูจน์ รุ่นนี้ลดเพิ่มเติมเปอร์เซ็นต์ของการคาดการณ์ผิดพลาดกว่าชุดอื่น ๆ สถิติเวลา (ย้าย เฉลี่ย autoregressive (ARIMA) ค่าเฉลี่ยเคลื่อนที่แบบบูรณาการ autoregressive เงื่อนไขทั่วไป (GARCH) hetero skedasticity) และ artificial ของระบบเครือข่ายรุ่น (แอน) (BPNN, BPNN ทั่วไป) Hasin et al. (2011) แนะนำวิธีการแอนพร่าเลือนในการพยากรณ์ยอดขายของผลิตภัณฑ์ที่เลือก (รวมถึงอาหารที่เน่าเสียง่าย) ในห่วงโซ่ขายปลีกในประเทศบังคลาเทศ พวกเขายังพิสูจน์ที่การ การคาดการณ์ของเลือนแอนจะดีกว่ารุ่นโฮลท์หนาวในแง่หมายถึงอะไร เปอร์เซ็นต์ความผิดพลาด (MAPE) Lee et al. (2012) ใช้โมเดลการคาดการณ์การขายสำหรับ con- venience ร้านค้าโดยใช้ BPNN และเปรียบเทียบผลลัพธ์กับ mov-ing ถดถอยเฉลี่ย และโลจิสติกส์ ศูกละและ Jharkharia (2013) ใช้ ARIMA แบบจำลองเพื่อคาดการณ์ความต้องการของผักทุกวัน ในการส่งผักตลาดอินเดียกับ MAPE ในช่วง 30% Žliobaitė et al. (2012) นำเสนอแบบจำลองสวิตช์ระดับสอง และศึกษากรณีของเจ้าอาหาร N. กลุ่มอาหาร Sligro V. วิธีการทำนายขายนี้แบ่งขายชุดเวลา สุ่ม และคาดเดาได้แล้ว ใช้ทำนายอัจฉริยะสำหรับก่อนค่าเฉลี่ย dictable และการย้ายสำหรับสุ่ม

ผลลัพธ์ (ไทย) 2:

เทย์เลอร์ (2007) การพัฒนาถ่วงน้ำหนักชี้แจง quantile
วิธีการถดถอยซึ่งจะสร้างการคาดการณ์ช่วงเวลาจาก
การคาดการณ์ quantile นอกจากนี้เขายังแนะนำการประยุกต์ใช้
วิธีการพยากรณ์ช่วงเวลาเมื่ออนุกรมเวลาที่มีความผันผวนสูงและเบ้เนื่องจาก
ค่ามาก วิธีการของเขาให้ผลที่ดีขึ้นเมื่อเทียบกับวิธีการแบบดั้งเดิม เฉิน
และอู (2009) ได้รับการพัฒนารูปแบบซึ่งรวมการวิเคราะห์ความสัมพันธ์สีเทาและหลายเลเยอร์
เครือข่ายเชื่อมโยงการทำงานที่จะคาดการณ์ยอดขายของอาหารที่เน่าเสียง่ายในร้านสะดวกซื้อ พวกเขาพิสูจน์แล้วว่า
รูปแบบนี้จะช่วยลดค่าร้อยละมากขึ้นจากข้อผิดพลาดในการคาดการณ์กว่าอนุกรมเวลาสถิติอื่น ๆ (ย้าย
เฉลี่ยอัตบูรณาการเฉลี่ยเคลื่อนที่ (ARIMA) ทั่วไปอัตเงื่อนไข
skedasticity hetero- (GARCH)) และ Arti Fi เครือข่ายประสาท cial (ANN) (BPNN, ทั่วไป BPNN) รุ่น.
Hasin et al, (2011) แนะนำวิธีการ ANN เลือนที่จะคาดการณ์ยอดขายของผลิตภัณฑ์ที่เลือก
(รวมทั้งอาหารที่เน่าเสียง่าย) ในห้างค้าปลีกในประเทศบังกลาเทศ พวกเขายังได้รับการพิสูจน์ว่า
ผลการดำเนินงานของการคาดการณ์เลือน ANN จะดีกว่ารุ่นฤดูหนาว holt- ในแง่ของค่าเฉลี่ย
ข้อผิดพลาดร้อยละสัมบูรณ์ (MAPE) Lee et al, (2012) ที่ใช้รูปแบบการขายสำหรับการคาดการณ์อย่างต่อ
ร้านค้า venience ใช้ BPNN และเปรียบเทียบผลกับไอเอ็นจี mov- ถดถอยเฉลี่ยและโลจิสติก.
Shukla และ Jharkharia (2013) ใช้รูปแบบ ARIMA ที่จะคาดการณ์ความต้องการของพืชในชีวิตประจำวัน
ในขายส่งอินเดีย ตลาดผักกับ MAPE ในช่วง 30% ได้ Žliobaitė et al, (2012)
นำเสนอรูปแบบสวิทช์สองระดับและศึกษากรณีอาหารค้าส่ง Sligro ฟู้ดกรุ๊ปเอ็น
V. วิธีนี้การคาดการณ์ยอดขายแบ่งขายอนุกรมเวลาเข้าไปในคาดการณ์และสุ่มแล้ว
ใช้ทำนายอัจฉริยะสำหรับก่อน
dictable และค่าเฉลี่ยเคลื่อนที่สำหรับสุ่ม .

ผลลัพธ์ (ไทย) 3:

เทย์เลอร์ ( 2550 ) การพัฒนาชี้แจงควอนไทล์ถัววิธีการถดถอย ซึ่งสร้างจากช่วงคาดการณ์คาดคะเนควอนไทล์ . นอกจากนี้เขายังแนะนำให้ใช้ของช่วงวิธีการพยากรณ์เมื่ออนุกรมเวลามีความผันผวนสูง และการบิดเบือน เนื่องจากค่าสุดขีด วิธีการของเขาให้ผลลัพธ์ที่ดีกว่าเมื่อเทียบกับวิธีการแบบดั้งเดิม เฉินและ OU ( 2552 ) พัฒนารูปแบบซึ่งรวมการวิเคราะห์ความสัมพันธ์ระหว่างสีเทาและหลายชั้นงานเชื่อมโยงเครือข่ายเพื่อพยากรณ์การขายอาหารที่เน่าเสียง่ายในร้านสะดวกซื้อ พวกเขาพิสูจน์รุ่นนี้ลดอีกค่าพยากรณ์มากกว่าชุดอื่น ๆสถิติเวลา ( ย้ายตัวเองรวมเฉลี่ย ( เฉลี่ยเคลื่อนที่ ARIMA ) ตัวแบบเงื่อนไขอื่น skedasticity ( ของ ) และ กิจึงโครงข่ายประสาทเทียม ( ANN ) ่ ( แบบจำลองแบบจำลองทั่วไป ) รุ่นhasin et al . ( 2011 ) แนะนำคลุมเครือ แอน วิธีการพยากรณ์การขายผลิตภัณฑ์ที่เลือก( รวมทั้งแบบอาหาร ) ในห่วงโซ่ค้าปลีกในบังคลาเทศ พวกเขายังได้พิสูจน์ว่าการพยากรณ์ประสิทธิภาพของฟัซซี่แอนดีกว่า โฮลท์ - รูปแบบของฤดูหนาวในแง่ของหมายถึงเปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์ ( MAPE ) ลี et al . ( 2012 ) ใช้รูปแบบการพยากรณ์ยอดขายสำหรับคอน -venience ร้านค้าโดยใช้แบบจำลองและเปรียบเทียบผลลัพธ์กับ MOV - ไอเอ็นจีเฉลี่ยและถดถอยโลจิสติก .shukla jharkharia ( 2013 ) และใช้แบบจำลองเพื่อพยากรณ์ความต้องการของพืชบนพื้นฐานทุกวันในตลาดขายส่งผักอินเดียที่มีค่าในช่วง 30 % Ž liobait municipalities . kgm et al . ( 2012 )เสนอสองระดับสลับรูปแบบและศึกษากรณีของผู้ค้าส่งอาหาร sligro กลุ่มอาหาร .V . วิธีการพยากรณ์ยอดขายนี้จะแบ่งเวลาชุดขายในแบบฉบับ และสุ่มแล้วใช้ทำนายฉลาดสำหรับเด็กdictable และย้ายโดยการสุ่ม