Forecasting intermittent demand: a comparative approach

Obbiso, Pietro (2021) Forecasting intermittent demand: a comparative approach. [Laurea magistrale], Università di Bologna, Corso di Studio in Artificial intelligence [LM-DM270], Documento ad accesso riservato.
Documenti full-text disponibili:
[img] Documento PDF (Thesis)
Full-text accessibile solo agli utenti istituzionali dell'Ateneo
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato

Download (5MB) | Contatta l'autore

Abstract

In this thesis, a comparative approach between forecasting intermittent demand by using machine learning and by using statistical models is carried out. Models implementations are done with the support of different Python libraries aimed at discovering which model would provide better results. For what concerns the data, an electricity demand dataset is used for building the models, where their generated predictions are compared with the real ones. Moreover, performances are investigated against specifically selected scenarios, where different forecast horizons and different times of the day are considered. It gave us the possibility of analysing how these models would perform over distinct settings, including the ones during an anomalous period. The final results showed the KNeighbors Regressor being the best model, especially in scenarios that consider moments in time of very low demand in a normal week, with an accuracy value of 93%. However, despite being the best result, it is not the most intriguing to consider, as instead discovering how some forecasters perform surprisingly well in scenarios where the anomaly is present is the main interest.

Abstract
Tipologia del documento
Tesi di laurea (Laurea magistrale)
Autore della tesi
Obbiso, Pietro
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Forecasting Intermittent Demand,Machine Learning Models,Anomaly,Statistical Models,Water Consumption
Data di discussione della Tesi
3 Dicembre 2021
URI

Altri metadati

Statistica sui download

Gestione del documento: Visualizza il documento

^