Обнаружение жизненного цикла товаров (отчет)
Материал из MachineLearning.
(→Список литературы) |
(→Постановка задачи) |
||
| Строка 26: | Строка 26: | ||
== Постановка задачи == | == Постановка задачи == | ||
| + | Заданы временные ряды продаж товаров <tex>x_{ij}(t) \in R</tex> — продажи <tex>i</tex>-ого товара в | ||
| + | <tex>j</tex>-ом магазине за день <tex>t</tex> (<tex>i \in I</tex>, <tex>I</tex> — множество товаров; | ||
| + | <tex>j \in J</tex>, <tex>J</tex> — множество магазинов; <tex>t \in N</tex> — натуральное число), | ||
| + | причем значения продаж известны при | ||
| + | <tex>t_0 \leq t \leq t_1</tex>. Задан <tex>t_2</tex> - горизонт прогнозирования. | ||
| + | Требуется для всех товаров и всех магазинов спрогнозировать продажи за неделю, следующую | ||
| + | после <tex>t_1+t_2</tex>, то есть значение величины | ||
| + | |||
| + | <center> | ||
| + | <tex>y_{ij} = \sum_{t=t_1+t_2+1}^{t_1+t_2+7}x_{ij}(t).</tex> | ||
| + | </center> | ||
| + | |||
| + | Для оценки качества прогнозов будем использовать скользящий контроль, | ||
| + | помещая в обучающую выборку значения <tex>x_{ij}(t)</tex> при <tex>t \in [t_0, t_{max}]</tex>, | ||
| + | <tex>t_{max} < t_1</tex>. Как функционал качества будем использовать | ||
| + | |||
| + | <center> | ||
| + | <tex>Q_{m}(Y, \hat{Y}) = \sum_{i, j}|y_{ij}-\hat{y}_{ij}|.</tex> | ||
| + | </center> | ||
== Описание алгоритмов == | == Описание алгоритмов == | ||
Версия 18:12, 7 марта 2010
Введение в проект
Описание проекта
Цель проекта
Цель проекта - прогнозирование еженедельных покупок товаров. Горизонт прогнозирования - одна неделя.
Обоснование проекта
Полученные результаты могут быть использованы для планирования закупок товаров магазинами.
Описание данных
Дан региональный классификатор магазинов, товарный классификатор, stock keeping unit, список праздничных дней и, отдельно по каждому товару, список дней, в которые проводились промо-акции.
Критерии качества
Прогноз производится отдельно по каждому из товаров. Мы составляем еженедельный прогноз с горизонтом неделя, основанный на предыдущей истории покупок. Критерием качества служит средний модуль отклонения прогноза от реальной величины покупок.
Требования к проекту
Средний модуль отклонения для нашего алгоритма должен быль меньше, чем для скользящего среднего за предыдущий месяц.
Выполнимость проекта
Прогнозирование покупок тоаров в празничные дни и во время промо-акций является отдельной задачей и в данном проекте не рассматривается.
Используемые методы
Предполагается, что жизнь товара на рынке можно разбить на характерные этапы, на каждом из которых величина покупок имеет свой вид функциональной зависимости от предыдущей истории покупок.
Постановка задачи
Заданы временные ряды продаж товаров — продажи
-ого товара в
-ом магазине за день
(
,
— множество товаров;
,
— множество магазинов;
— натуральное число),
причем значения продаж известны при
. Задан
- горизонт прогнозирования.
Требуется для всех товаров и всех магазинов спрогнозировать продажи за неделю, следующую
после
, то есть значение величины
Для оценки качества прогнозов будем использовать скользящий контроль,
помещая в обучающую выборку значения при
,
. Как функционал качества будем использовать
Описание алгоритмов
Обзор литературы
Базовые предположения
Математическое описание
Варианты или модификации
Описание системы
- Ссылка на файл system.docs
- Ссылка на файлы системы
Отчет о вычислительных экспериментах
Визуальный анализ работы алгоритма
Анализ качества работы алгоритма
Анализ зависимости работы алгоритма от параметров
Отчет о полученных результатах
Список литературы
| Данная статья является непроверенным учебным заданием.
До указанного срока статья не должна редактироваться другими участниками проекта MachineLearning.ru. По его окончании любой участник вправе исправить данную статью по своему усмотрению и удалить данное предупреждение, выводимое с помощью шаблона {{Задание}}. См. также методические указания по использованию Ресурса MachineLearning.ru в учебном процессе. |
