Intermittent demand forecasting: a guideline for method selection

Prediction of Intermittent Demand Occurrence using Machine Learning

“…Traditional forecasting models were compared with Croston method and its variants, most results indicated that Croston methods and its variants gave inconsistent results for intermittent demand. It outperformed traditional methods with modest gains, and some studies even concluded that Croston method and its variants had inferior performance [2], [3]. AI/ML have gained a lot of attention in the recent past due to improvement in computational might.…”

“…Forecasting of intermittent demand focuses prevising of demand series where the interval between demands is remarkably greater than the unit time of the period forecasted. This results in several periods with no demand [2]. Requirement for intermittent demand items may be sporadic and considered as slow movers but can make up as much as 60% of the stock value [3].…”

Restoration of the event formation process parameters in the economy, set by the algorithmic model

“…Подготовка к первому шагу алгоритма Previous_Event =1 t_start = data_t [1] Далее в цикле происходит подбор параметров P для заданного количества событий. Функция Perebor оптимизирует параметры на сетке и возвращает лучшую комбинацию параметров, после чего в функции optNM2 с большей точностью происходит уточнение этих параметров.…”

“…break; } } #repeat Batch_size=100 #задач на ядро в блоке Batch_count=1000 # количество блоков для подготовки Batch_num=1 Batch_array=vector(mode = "list", length = 1) Batch_array[ [1]]=append(Batch_array[ [1]], list(list(X=X, Lower=Lower,Upper=Upper))) N_params=1 Total_Combinatios=1 Max_Combinations=prod(index_M) min_result = list(par=0, objective=Inf, iterations=0, Total_calls=0) # в векторе X начинаем перебирать значения и добавляем новый вектор в список X_= rep(1,N) repeat { #перебор и формирование комбинаций параметров для оптимизации i = N while ((i>0) && (X_ Глядя на значения событий, можно приблизительно догадаться, в каком интервале располагается значение максимального запаса. Также можно приблизительно оценить величину нестационарного спроса, поделив объемы пополнения запаса 𝑦 𝑖 на время между этими пополнениями 𝑡 𝑖+1 − 𝑡 𝑖 .…”

“…ВВЕДЕНИЕ Редкие события могут представлять большой интерес, особенно в экономике. Различные подходы к анализу и прогнозированию редких событий можно найти в работах [1][2][3][4]. В отличие от статистических методов, которые ограничены либо изучением закона распределения интервалов времени между появлением событий (потоки событий, пуассоновские, Пальма), либо изучением вероятности появления события в зависимости от наблюдаемых признаков (методы классификации), предлагается исследовать события с точки зрения процессов, которые протекают внутри источников событий и которые приводят к образованию этих событий.…”