Primjena evolucijskih algoritama za optimizaciju povratnih neuronskih mreža pri predviđanju potražnje

master's thesis

• Title (english): Evolutionary algorithms for optimization of recurrent neural networks in demand forecasting
• Author: Edin Pjević
• Mentor: Domagoj Jakobović (mentor)
• Committee member: Domagoj Jakobović (predsjednik povjerenstva)
• Committee member: Marko Đurasević (član povjerenstva)
• Committee member: Leonardo Jelenković (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2022-07-05, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

Predviđanje potražnje se opisuje kao tehnika koja se koristi za procjenu potražnje za nadolazećim proizvodom ili uslugama u budućnosti. Također se može opisati kao proces izrade budućih procjena u odnosu na potražnju kupaca u određenom razdoblju. Ovi opisi su vrlo specifični i ne nude cijelu sliku. Tehnike predviđanja potražnje se mogu primijeniti i na različite druge čimbenike za koje se želi predvidjeti ponašanje poput vremenskih uvjeta, rada postrojenja, statistike populacije itd. Ako čimbenik je pokazao sezonalnost ili trend kroz prošlost, tehnike predviđanja potražnje se mogu iskoristiti na njih za analizu budućnosti. U ovom radu istražuje se uspješnost predviđanja potražnje LSTM povratne neuronske mreže, čiji su hiperparametri optimirani evolucijskom strategijom, na različite vremenske nizove. Uspoređivanjem dobivenih predviđanja za različite kombinacije fiksiranih parametara evolucijske strategije postižu se zadovoljavajući rezultati koji ovise pretežito o ulaznim podacima.

Abstract (english)

Demand forecasting is described as a technique used to estimate demand for an upcoming product or service in the future. It can also be described as the process of making future estimates in relation to customer demand over a period of time. These descriptions are very specific and do not offer the whole picture. Demand forecasting techniques can also be applied to various other factors to predict weather behavior, plant operation, population statistics, etc. If a factor has shown seasonality or a trend through the past, demand forecasting techniques can be used to analyze the future. This paper investigates the success of demand forecasting using LSTM recurrent neural networks, whose hyperparameters are optimized by evolutionary strategy, for different time series. By comparing the obtained predictions for different combinations of fixed parameters of the evolutionary strategy, satisfactory results are achieved, which depend mainly on the input data.

• Keywords: predviđanje potražnje; LSTM; povratne neuronske mreže; evolucijski algoritmi; evolucijska strategija
• Keywords (english): demand forecasting; LSTM; recurrent neural network; evolutionary algorithm; evolutionary strategy
• Language: croatian
• URN:NBN: urn:nbn:hr:168:226408
• Study programme: Title: Computing; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2023-01-14 09:41:29