LSTM- sekä ARIMA-mallien hyödyntäminen kysynnän sekä myynnin ennustamisessa

Abstract

Syväoppimismallien hyödyntäminen on yleistynyt viimeisen kymmenen vuoden aikana. Niitä voidaan käyttää ennustemallintamiseen perinteisten tilastollisten mallien lisäksi. Mallien välillä ei ole itsestään selvää, mikä tuottaisi parhaimmat tulokset. Eikä monimutkaisten syväoppimismallien tuloksien muodostumista ole kovin helppo ymmärtää.

Työssä käytiin läpi ARIMA sekä LSTM-mallin välillä vertailua kysynnän sekä myynnin ennustemallinnuksessa systemaattisena kirjallisuuskatsauksena. Työssä tarkennuttiin vertailemaan ennustetarkkuuksia RMSE, MAPE sekä MAE mittareilla 2019 jälkeen kerätyllä aineistolla. Lisäksi työssä tarkennuttiin mallien tulkittavuuteen sekä siihen muodostuneisiin haasteisiin.

Työssä havaittiin LSTM-mallin tuottaneen enimmäkseen parempia ennustetarkkuuksia, mutta sen tulkittavuus oli haasteellisempi kuin ARIMA-mallin. LSTM-mallin havaittiin myös toimivan paremmin suuremmilla dataseteillä ja kykenevän toimimaan epästationäärisellä datalla. Vastaavasti ARIMA-mallin havaittiin tarvitsevan datan esikäsittelyä stationäärisyyttä varten, jotta mallin ennustetarkkuudet saataisiin mahdollisimman korkeaksi.