پیش بینی فروش محصولات غذایی با طول عمر کوتاه با استفاده از یادگیری عمیق

تنوع تولید محصولات غذایی و رقابت شدید در این حوزه، باعث شده تا نقش تحلیل گران برای پیش بینی، تجزیه و تحلیل داده ها در اینگونه صنایع و به خصوص در صنعت پخش مواد غذایی پر رنگ تر شود. از همین رو ارائه راهکاری که بتواند بر اساس داده های گذشته، ابزاری هوشمند را به عنوان مکمل تصمیم گیری در اختیار آن ها قرار دهد، ضروری به نظر می رسد. در این مقاله راهکاری بر پایه ی یادگیری عمیق، برای پیش بینی فروش محصولات لبنی با طول عمر چند روزه و با استفاده از چندین ویژگی، که در فروش و ضایعات این دسته محصولات نقش دارند، با استفاده از شبکه های عصبی بازگشتی «حافظه طولانی کوتاه مدت» یا «(LSTM)Long short-term memory» ارائه شده است. در ابتدا مدلی بر پایه LSTM طراحی شد که فقط بر اساس یک ویژگی، متغیر بعدی را تخمین می زد، سپس جهت بالا بردن دقت پیش بینی و کم کردن مقدار «خطای میانگین مربعات» یا «(MSE)mean squared error»، به چگونگی مشارکت چند ویژگی در پیش بینی متغیر بعدی فکر کردیم که نهایتا با قالب بندی منطقی داده ها، مدل جدیدی بر اساس چند ویژگی برای پیش بینی متغیر بعدی بدست آمد که علاوه برکاهش چشم گیر MSE، از پایداری بیشتر، سرعت بالاتر و عملکرد بهتری نیز برخوردار است.