Demand Forecasting using Machine Learning

Visoka učinkovitost opskrbnog lanca može se postići primjenom odgovarajućih metoda za dugoročno predviđanje prognoze. Klasične metode prognoze jednostavne su u svome izračunu, ali njihova točnost zna biti na nezavidnoj razini. Stoga su metode strojnog učenja dobra prilika za poboljšanje ovoga polja. Ovaj rad donosi usporedbu prognoze potražnje klasičnom metodom sezonalnog autoregresivnog integriranog pomičnog prosjeka s vanjskim varijablama te metodama strojnog učenja, metoda slučajne šume i metoda umjetne neuronske mreže.High efficiency of the supply chain can be attained by applying the bestperforming methods for long term forecasting. Traditional forecasting methods are easy to implement and compute but their accuracy can be lackluster. Therefore, methods that implement machine learning are a great way to improve this field. This paper compares forecast results using three methods, one of them is a classic method of the autoregressive integrated moving average with external variables, the other two methods are machine learning methods, random forest regression, and artificial neural networks