Resumen:
|
[ES] La predicció de sèries temporals és una àrea de l'aprenentatge automàtic rellevant en molts camps, des de pronòstics climàtics fins a previsió de vendes. Aquest projecte, englobat dins del treball de final de màster ...[+]
[ES] La predicció de sèries temporals és una àrea de l'aprenentatge automàtic rellevant en molts camps, des de pronòstics climàtics fins a previsió de vendes. Aquest projecte, englobat dins del treball de final de màster del MUIARFID de la Universitat Politècnica de València, pretén aplicar algunes metodologies de predicció de sèries temporals a la logística de l'empresa Logifruit. L'objectiu és desenvolupar un model que prediga la quantitat de caixes a netejar amb una setmana d'antelació utilitzant les mètriques d'error RMSE i SMAPE. Per a aconseguir-ho s'han emprat nombroses aproximacions, des de les més clàssiques com l'ARIMA o el suavitzat exponencial, fins a models més complexos de xarxes neuronals profundes. Els resultats demostren que els models estadístics funcionen millor en aquest cas que els de xarxes profundes, molt probablement a causa de la manca de dades més prolongadament amb el temps. També es recalca l'eficiència dels models preentrenats i els beneficis en problemes sense gaires dades.
[-]
[EN] Time series prediction is an area in machine learning relevant in many fields, since weather forecasts to sales pronostics. This project, encompassed inside the master's degree thesis of MUIARFID from the Universitat ...[+]
[EN] Time series prediction is an area in machine learning relevant in many fields, since weather forecasts to sales pronostics. This project, encompassed inside the master's degree thesis of MUIARFID from the Universitat Politècnica de València, aims to apply some forecast methodologies to the Logifruit's logistics. The main goal is to develop a model that predicts the amount of boxes needed to be cleaned within a week, using the RMSE and SMAPE error metrics. To achieve such goal, it has been applied numerous approaches, since the more classic ones such as ARIMA or exponential smoothing, to more complex models of deep neural networks. The results prove that the statistical models perform better in this case than the deep learning ones, most likely due to the lack of data across time. It is also emphasized the pretrained models' efficiency and their benefits when applied to problems without much data.
[-]
|