Sales forecasting through a model combining ARMA and artificial neural networks

Magistro baigiamojo darbo tikslas yra išsiaiškinti ar tiesinių ir netiesinių prognozavimo modelių kombinavimo technika gali pagerinti atskirų modelių tikslumą. Eksperimentams pasirinktą duomenų rinkinį sudaro dviejų metų (2014-2016) mažmeninės prekybos tinklų parduodamų prekių savaitiniai kiekiai. Prekybos tinklams naudinga žinoti kuo tikslesnius pirkėjų poreikius siekiant padidinti pelną mažinant sanaudas neparduotų produktų utilizavimui bei pagerinti prekybos tinklo padėti rinkoje. Prognozavimui buvo panaudoti keturi modeliai: autoregresinis slenkančio vidurkio modelis (ARMA), autoregresinis intgeruotas slenkančio vidurkio modelis (ARIMA), daugiasluoksnis perceptronas (MLP) bei rekurentinis Elmano neuronų tinklas (ENN). Vėliau naudojant adityvią ir multiplikatyvią kombinavimo technikas buvo sudaryti dar aštuoni kombinuoti modeliai. Darbe atlikti eksperimentai parodė, kad kombinavimo technika gali duoti gerų rezultatų, bet ne visais atvejais. Bent viena kombinuotų modelių šeima vidutiniškai tiksliausią prognozavimą atliko šešis kartus iš dešimties. Tai daug žadantis rezultatas, nes yra žinoma būdų, kurie galėtų padėti gauti tikslesnius rezultatus.The aim of this research is to find out whether combination of linear and non-linear forecasting models can increase precision of individual models. Selected data set for this research is two years (2014-2016) weekly observations of articles quantities sold in retail market. Exact forecast of users needs leads to better position in market and bigger profit which is a result of decreased inputs to elimination of obsolete product. In this research four forecasting models was used: Autoregressive Moving Average (ARMA), Autoregressive Integrated Moving Average (ARIMA), multilayer perceptron (MLP) and recurrent Elman neural network (ENN). Eight combined models was composed by using additive and multiplicative techniques. Experiments have shown that usage of combine models can give more precise results, but not in all cases. In this research, combined models were more precise than individual models in six experiments out of ten. It is quite promising result because there is known techniques which can help to increase combined models precision