Abstract: A solution to the problem of asymmetric forecasting of fuel consumption at automobile filling stations using the gradient boosting algorithm is presented and a comparative analysis of the forecast results obtained by training the algorithm by minimizing the Mean Absolute Error and the Quantile Loss Function is carried out.
Keywords: inventory management, consumption forecast, quantile regression, asymmetric forecast, gradient boosting.
Введение.
Управление запасами различных материальных ресурсов и товаров в настоящее время приобретают все большую актуальность для планирования деятельности, оценки и прогнозирования снабжения, сбыта, потребления, ценообразования, прибыли и других показателей. В общем случае решение данной задачи направлено на минимизацию затрат, связанных с заказом и хранением условного товара, а в математическом смысле его можно отнести к задачам оптимизации совокупности и взаимодействия различных показателей, оказывающих влияние на целевой результат, например, получение максимальной прибыли.
Для решения таких задач используются различные методологические подходы, разрабатываются экономические и математические модели [1, 2]. Следует отметить, что в последнее время все более активно применяют искусственный интеллект. Основная цель принятия решения при управлении запасами состоит в выборе стратегии пополнения запасов, то есть выявление набора правил, позволяющих определить для любого состояния запасов момент времени подачи заказа и объем заказа на пополнение запаса [3].
В таких задачах положительная и отрицательная ошибка имеют различные последствия с точки зрения решений, принимаемых на основе полученных прогнозов. Пример методов для несимметричного прогноза подробно описан в работе [4].
В настоящей работе рассматривается задача управления запасами на автомобильных заправочных станциях (АЗС). С точки зрения бизнеса, невыгодно постоянно хранить большие объемы топлива на АЗС, это крупные и необязательные вложения средств, особенно когда в собственности значительное количество станций. Однако, если топлива окажется недостаточно для потребителей, это приведет к сбоям в работе или остановке продаж и, как следствие, потере прибыли.
При постановке задачи принимаем, что для непрерывной работы АЗС необходимо построить прогноз расхода топлива на неделю вперед, чтобы заранее спланировать возможную доставку. Таким образом, должна быть решена задача регрессии. Данные представляют собой временной ряд для каждой отдельной АЗС (дата, час), временной интервал наблюдений 8 месяцев. Рассматривается прогноз расхода топлива для 63 заправочных станций. На рисунке 1 представлены наблюдения для одной АЗС.
References
1. Хоботов Е.Н., Методы решения задач управления многопродуктовыми запасами при случайном спросе // Известия Российской академии наук. Теория и системы управления. - 2011. - № 2. - С. 62 - 73.2. Насриддинов М.Ш. Статистические задачи управления товарно - материальными запасами // Вестник технологического университета Таджикистана. - 2018 - № 2 (33). - С. 72 - 78.
3. Финаев В.И. В.И. Шкрибляк Н.В. Методы искусственного интеллекта в задачах управления запасами // Известия ЮФУ. Технические науки. – 2007 - № 5 – С. 85 – 89.
4. Баринова О.В. Об одном методе прогнозирования временных рядов с несимметричным функционалом потерь // Математические методы распознавания образов. - 2005 - Т.12. - № 1. - С. 25 - 29.
5. Черных В.Ю., Стенина М.М. Прогнозирование нестационарных временных рядов при несимметричных функциях потерь // Машинное обучение и анализ данных. - 2015 - Т. 1. - № 14. - С. 1893 - 1909.
6. Документация библиотеки catboost. Электронный ресурс https://catboost.ai/. Дата обращения 24.03.2023
7. Носова М.Г. Квантильная регрессия и ее преимущества // Актуальные научные исследования в современном мире // 2019 - № 8 - 1 (52). - С. 93 - 96.