Designing demand forecasting models using deep learning

Abstract

[ES] En este trabajo se explorará el uso de distintos modelos de deep learning para predecir la demanda futura de un producto, lo que puede resultar de gran utilidad para la dirección operativa de una empresa. La elaboración de planes agregados de producción (PAP), planes maestros de producción (PMP) y planes de necesidades de materiales (MRP), parte de la previsión de la demanda de los productos incluidos en estos planes. Por lo tanto, cuanto más precisa sea la previsión de demanda utilizada para realizar estos planes, mayor será la eficiencia en la planificación y ejecución de estos. La demanda de un producto puede ser tratada como datos de series temporales. Los datos de series temporales son aquellos que se recolectan a lo largo del tiempo y se ordenan en función del momento en que se registraron. Por lo general, estos datos se recopilan en intervalos regulares, como días, semanas, meses o años. Actualmente, existen diversos modelos de deep learning que pueden trabajar con este tipo de datos y permiten realizar predicciones a futuro de los valores de la serie temporal. En este trabajo se utilizarán varios modelos de deep learning, incluyendo redes neuronales recurrentes (RNN), redes LSTM, redes neuronales convolucionales (CNN) y Transformer. Se comenzará trabajando con datos de series temporales unidimensionales. Un ejemplo de este tipo de datos son los precios de las acciones de bolsa, los cuales se usarán en este trabajo debido a que son de fácil acceso y se dispone de gran cantidad de datos históricos. Una vez se hayan programado y entrenado los modelos con éxito, se pasará a realizar la predicción de datos de series temporales multidimensionales, utilizando los mismos modelos previamente mencionados. La implementación de los modelos de deep learning, su entrenamiento, testeo y obtención de resultados, se llevará a cabo utilizando Python y el módulo PyTorch. Los resultados obtenidos permitirán evaluar la eficacia de cada modelo y determinar cuáles son los más adecuados para predecir la demanda futura de un producto, lo que puede ser de gran valor para la toma de decisiones en la dirección operativa de una empresa.

[EN] This work will explore the use of different deep learning models to predict the future demand of a product, which can be highly useful for the operational management of a company. The development of aggregate production plans (APP), master production schedules (MPS), and material requirements planning (MRP) relies on the forecasted demand of the products included in these plans. Therefore, the more accurate the demand forecast used for these plans, the more efficient the planning and execution will be. The demand for a product can be treated as time series data. Time series data refers to data that is collected over time and arranged based on the moments they were recorded. Generally, this data is collected at regular intervals such as days, weeks, months, or years. Currently, there are various deep learning models that can work with this type of data and enable future predictions of the time series values. This work will utilize several deep learning models, including recurrent neural networks (RNN), LSTM networks, convolutional neural networks (CNN), and Transformers. The initial focus will be on working with unidimensional time series data. An example of such data is stock prices, which will be used in this work due to their easy accessibility and abundance of historical data. Once the models have been programmed and successfully trained, the prediction of multidimensional time series data will be conducted using the aforementioned models. The implementation of the deep learning models, their training, testing, and result analysis, will be carried out using Python and the PyTorch module. The obtained results will allow for the evaluation of each model's effectiveness and determination of which models are most suitable for predicting the future demand of a product. This can be of great value in the decision-making process for the operational management of a company