Time series forecasting with deep learning in supply chain

In the retail supply chain domain, a part of collected data comes organized as time series. This presents an opportunity to apply different time series forecasting models in order to improve the decision making and planning processes. This allows to maximize for profits or any other metric that the entity prioritizes. This project focuses on analyzing and forecasting of supply chain resources within a company, using deep learning and benchmarking it against more traditional techniques. Precisely, this project presents a two-step experiment. First, a time series analysis and decomposition using STL method. Second, the implementation of four different forecasting models: recurrent neural networks with LSTM cells, ARIMA, SARIMA and HW Exponential Smoothing. The experiment results indicate that LSTM is the performing significantly better on long-term forecasting.

Nel dominio della catena di fornitura al dettaglio, una parte dei dati raccolti viene organizzata in serie temporali. Ciò offre l'opportunità di applicare diversi modelli di previsione di serie temporali al fine di migliorare i processi decisionali e di pianificazione. Ciò consente di massimizzare i profitti o qualsiasi altra metrica a cui l'entità dà la priorità. Questo progetto si concentra sull'analisi e la previsione delle risorse della catena di approvvigionamento all'interno di un'azienda, utilizzando il deep learning e confrontandolo con tecniche più tradizionali. Precisamente, questo progetto presenta un esperimento in due fasi. Innanzitutto, un'analisi e una scomposizione di serie storiche usando il metodo STL. In secondo luogo, l'implementazione di quattro diversi modelli di previsione: reti neurali ricorrenti con celle LSTM, ARIMA, SARIMA e HW Exponential Smoothing. I risultati dell'esperimento indicano che LSTM ha prestazioni significativamente migliori nelle previsioni a lungo termine.