學術產出-Theses
Article View/Open
Publication Export
-
題名 應用深度學習於臺灣國產啤酒之銷售預測
Using Deep Learning on the Sales Forecasting of Taiwan’s Domestic Beer作者 張祐嘉
Chang, Yu-Chia貢獻者 鄭宇庭
Cheng, Yu-Ting
張祐嘉
Chang, Yu-Chia關鍵詞 時間序列
銷售預測
ARIMA
LSTM日期 2024 上傳時間 3-Jun-2024 11:54:33 (UTC+8) 摘要 本研究使用自迴歸移動平均模型及長短期記憶神經網路模型進行預測，以預測我國國產啤酒銷售量，我國自民國91年加入WTO並取消菸酒專賣制度，轉而採用課徵菸酒稅及關稅之方式，導致國內啤酒進口量逐年增加，進而使得國產啤酒面臨激烈的市場競爭，其市場銷量的國產啤酒占比在20年內，大幅下降。由於啤酒銷量的波動受季節性、政策、經濟等因素影響，因此本研究建立國產啤酒銷售預測模型，藉由探討對於國產啤酒銷量預測之重要因素，以提高模型的預測能力，進而幫助本國企業優化生產及庫存管理，以制定市場推廣及銷售策略。 本研究採用ARIMA模型及LSTM模型以預測國產啤酒銷量，並探討使用國內生產毛額、內銷品酒類物價指數以及台北市平均溫度作為外部變數，對於模型的預測能力的影響。而研究中使用2002年至2015年的各月數據建立模型，並使用2016年至2022年的各月數據進行實證分析，並使用RMSE、MAPE及R2作為模型的預測能力評估標準。 研究結果顯示，同時使用國內生產毛額、內銷品酒類物價指數作為外部變數的LSTM模型預測能力表現最佳，其RMSE及MAPE最低、R2最高(88.39%)。然而，使用臺北市月平均溫度作為外部變數的LSTM模型表現相對較差。此外，SARIMA模型深受特殊事件影響，若排除特殊事件，其預測能力與單變量LSTM模型相近。 最後，於未來研究中應更全面選擇外部變數以提高模型之預測能力，並考慮更完善之地理區域的氣象變化以更準確判斷氣象對於模型之影響能力。此外，由於特殊事件會影響模型的預測能力，因此應更謹慎選擇模型。 參考文獻 一、中文文獻 1.柯朝斌（2011）。台灣啤酒市場概況暨進口啤酒選擇因素之研究. 餐旅暨家政學刊, 8(1), 1-19. 2.紀世訓（1995）。時間數列模式與神經網路在長壽捲菸銷量預測之應用. 空大行政學報 4, 1995, 335-368。 3.陳宇勛（2020）。建構季節性產品之銷售預測模式：以18天生啤酒為例。國立交通大學管理學院運輸物流學程碩士論文。 4.廖子儀（2018）。原物料商品價格之預測-以ARIMA模型分析。國立高雄應用科技大學國際企業研究所碩士論文。 二、外文文獻 1.Ahnaf, M. S., Kurniawati, A., & Anggana, H. D. (2021, September). Fore-casting pet food item stock using arima and lstm. In 2021 4th Interna-tional Conference of Computer and Informatics Engineering (IC2IE) (pp. 141-146). IEEE. 2.Bandara, K., Shi, P., Bergmeir, C., Hewamalage, H., Tran, Q., & Seaman, B. (2019). Sales demand forecast in e-commerce using a long short-term memory neural network methodology. In Neural Information Processing: 26th International Conference, ICONIP 2019, Sydney, NSW, Australia, December 12–15, 2019, Proceedings, Part III 26 (pp. 462-474). Springer International Publishing. 3.Bratina, D., & Faganel, A. (2008). Forecasting the primary demand for a beer brand using time series analysis. Organizacija, 41(3). 4.Dai, Y., & Huang, J. (2021, February). A sales prediction method based on lstm with hyper-parameter search. In Journal of Physics: Conference Se-ries (Vol. 1756, No. 1, p. 012015). IOP Publishing. 5.Dave, E., Leonardo, A., Jeanice, M., & Hanafiah, N. (2021). Forecasting Indonesia exports using a hybrid model ARIMA-LSTM. Procedia Com-puter Science, 179, 480-487. 6.Elmasdotter, A., & Nyströmer, C. (2018). A comparative study between LSTM and ARIMA for sales forecasting in retail. 7.Evans, S. (2020). The Effects of Weather Variance on Local Beer Sales. 8.Fredén, D., & Larsson, H. (2020). Forecasting daily supermarkets sales with machine learning. 9.Hong, J. K. (2021). LSTM-based Sales Forecasting Model. KSII Transac-tions on Internet & Information Systems, 15(4). 10.Kamdem, J. S., Essomba, R. B., & Berinyuy, J. N. (2020). Deep learning models for forecasting and analyzing the implications of COVID-19 spread on some commodities markets volatilities. Chaos, Solitons & Fractals, 140, 110215. 11.Lewis, C. D. (1982). Industrial and business forecasting methods: A prac-tical guide to exponential smoothing and curve fitting. 12.Mehtab, S., & Sen, J. (2020). A time series analysis-based stock price prediction using machine learning and deep learning models. Internation-al Journal of Business Forecasting and Marketing Intelligence, 6(4), 272-335. 13.Nikolopoulos, K., & Fildes, R. (2013). Adjusting supply chain forecasts for short-term temperature estimates: a case study in a Brewing company. IMA Journal of Management Mathematics, 24(1), 79-88. 14.Olah, C. (2015). Understanding lstm networks. 15.Palkar, A., Deshpande, M., Kalekar, S., & Jaswal, S. (2020, July). Demand Forecasting in Retail Industry for Liquor Consumption using LSTM. In 2020 International Conference on Electronics and Sustainable Communi-cation Systems (ICESC) (pp. 521-525). IEEE. 16.Ramachandran, K. K. Prediction supermarket sales with big data analyt-ics : A comparative study if machine learning techniques. Journal ID, 6202, 8020. 17.Shen, J., & Shafiq, M. O. (2020). Short-term stock market price trend prediction using a comprehensive deep learning system. Journal of big Data, 7(1), 1-33. 18.Siami-Namini, S., & Namin, A. S. (2018). Forecasting economics and fi-nancial time series: ARIMA vs. LSTM. arXiv preprint arXiv:1803.06386. 19.Siami-Namini, S., Tavakoli, N., & Namin, A. S. (2019). A comparative analysis of forecasting financial time series using arima, lstm, and bilstm. arXiv preprint arXiv:1911.09512. 20.Vavliakis, K. N., Siailis, A., & Symeonidis, A. L. (2021). Optimizing Sales Forecasting in e-Commerce with ARIMA and LSTM Models. In WEBIST (pp. 299-306). 描述 碩士
國立政治大學
統計學系
111354023資料來源 http://thesis.lib.nccu.edu.tw/record/#G0111354023 資料類型 thesis dc.contributor.advisor 鄭宇庭 zh_TW dc.contributor.advisor Cheng, Yu-Ting en_US dc.contributor.author (Authors) 張祐嘉 zh_TW dc.contributor.author (Authors) Chang, Yu-Chia en_US dc.creator (作者) 張祐嘉 zh_TW dc.creator (作者) Chang, Yu-Chia en_US dc.date (日期) 2024 en_US dc.date.accessioned 3-Jun-2024 11:54:33 (UTC+8) - dc.date.available 3-Jun-2024 11:54:33 (UTC+8) - dc.date.issued (上傳時間) 3-Jun-2024 11:54:33 (UTC+8) - dc.identifier (Other Identifiers) G0111354023 en_US dc.identifier.uri (URI) https://nccur.lib.nccu.edu.tw/handle/140.119/151538 - dc.description (描述) 碩士 zh_TW dc.description (描述) 國立政治大學 zh_TW dc.description (描述) 統計學系 zh_TW dc.description (描述) 111354023 zh_TW dc.description.abstract (摘要) 本研究使用自迴歸移動平均模型及長短期記憶神經網路模型進行預測，以預測我國國產啤酒銷售量，我國自民國91年加入WTO並取消菸酒專賣制度，轉而採用課徵菸酒稅及關稅之方式，導致國內啤酒進口量逐年增加，進而使得國產啤酒面臨激烈的市場競爭，其市場銷量的國產啤酒占比在20年內，大幅下降。由於啤酒銷量的波動受季節性、政策、經濟等因素影響，因此本研究建立國產啤酒銷售預測模型，藉由探討對於國產啤酒銷量預測之重要因素，以提高模型的預測能力，進而幫助本國企業優化生產及庫存管理，以制定市場推廣及銷售策略。 本研究採用ARIMA模型及LSTM模型以預測國產啤酒銷量，並探討使用國內生產毛額、內銷品酒類物價指數以及台北市平均溫度作為外部變數，對於模型的預測能力的影響。而研究中使用2002年至2015年的各月數據建立模型，並使用2016年至2022年的各月數據進行實證分析，並使用RMSE、MAPE及R2作為模型的預測能力評估標準。 研究結果顯示，同時使用國內生產毛額、內銷品酒類物價指數作為外部變數的LSTM模型預測能力表現最佳，其RMSE及MAPE最低、R2最高(88.39%)。然而，使用臺北市月平均溫度作為外部變數的LSTM模型表現相對較差。此外，SARIMA模型深受特殊事件影響，若排除特殊事件，其預測能力與單變量LSTM模型相近。 最後，於未來研究中應更全面選擇外部變數以提高模型之預測能力，並考慮更完善之地理區域的氣象變化以更準確判斷氣象對於模型之影響能力。此外，由於特殊事件會影響模型的預測能力，因此應更謹慎選擇模型。 zh_TW dc.description.tableofcontents 摘要 II 圖目錄 IV 表目錄 VI 第壹章 緒論 1 第一節 研究動機 1 第二節 研究目的 2 第三節 研究流程 2 第貳章 文獻探討 4 第一節 有關啤酒銷售預測之研究 4 第二節 時間序列ARIMA應用於預測之研究 5 第三節 長短期記憶神經網路應用於預測之研究 6 第四節 ARIMA與LSTM比較 8 第參章 研究方法 10 第一節 研究架構 10 第二節 資料介紹 10 第三節 ARIMA模型 11 第四節 長短期記憶模型 17 第五節 分析指標 28 第肆章 實證結果與分析 30 第一節 時間序列SARIMA模型實證結果 30 第二節 長短期記憶模型實證結果 35 第三節 各模型結果比較 44 第伍章 結論 47 第一節 研究結論 47 第二節 後續研究與建議 49 參考文獻 50 zh_TW dc.format.extent 2939988 bytes - dc.format.mimetype application/pdf - dc.source.uri (資料來源) http://thesis.lib.nccu.edu.tw/record/#G0111354023 en_US dc.subject (關鍵詞) 時間序列 zh_TW dc.subject (關鍵詞) 銷售預測 zh_TW dc.subject (關鍵詞) ARIMA zh_TW dc.subject (關鍵詞) LSTM zh_TW dc.title (題名) 應用深度學習於臺灣國產啤酒之銷售預測 zh_TW dc.title (題名) Using Deep Learning on the Sales Forecasting of Taiwan’s Domestic Beer en_US dc.type (資料類型) thesis en_US dc.relation.reference (參考文獻) 一、中文文獻 1.柯朝斌（2011）。台灣啤酒市場概況暨進口啤酒選擇因素之研究. 餐旅暨家政學刊, 8(1), 1-19. 2.紀世訓（1995）。時間數列模式與神經網路在長壽捲菸銷量預測之應用. 空大行政學報 4, 1995, 335-368。 3.陳宇勛（2020）。建構季節性產品之銷售預測模式：以18天生啤酒為例。國立交通大學管理學院運輸物流學程碩士論文。 4.廖子儀（2018）。原物料商品價格之預測-以ARIMA模型分析。國立高雄應用科技大學國際企業研究所碩士論文。 二、外文文獻 1.Ahnaf, M. S., Kurniawati, A., & Anggana, H. D. (2021, September). Fore-casting pet food item stock using arima and lstm. In 2021 4th Interna-tional Conference of Computer and Informatics Engineering (IC2IE) (pp. 141-146). IEEE. 2.Bandara, K., Shi, P., Bergmeir, C., Hewamalage, H., Tran, Q., & Seaman, B. (2019). Sales demand forecast in e-commerce using a long short-term memory neural network methodology. In Neural Information Processing: 26th International Conference, ICONIP 2019, Sydney, NSW, Australia, December 12–15, 2019, Proceedings, Part III 26 (pp. 462-474). Springer International Publishing. 3.Bratina, D., & Faganel, A. (2008). Forecasting the primary demand for a beer brand using time series analysis. Organizacija, 41(3). 4.Dai, Y., & Huang, J. (2021, February). A sales prediction method based on lstm with hyper-parameter search. In Journal of Physics: Conference Se-ries (Vol. 1756, No. 1, p. 012015). IOP Publishing. 5.Dave, E., Leonardo, A., Jeanice, M., & Hanafiah, N. (2021). Forecasting Indonesia exports using a hybrid model ARIMA-LSTM. Procedia Com-puter Science, 179, 480-487. 6.Elmasdotter, A., & Nyströmer, C. (2018). A comparative study between LSTM and ARIMA for sales forecasting in retail. 7.Evans, S. (2020). The Effects of Weather Variance on Local Beer Sales. 8.Fredén, D., & Larsson, H. (2020). Forecasting daily supermarkets sales with machine learning. 9.Hong, J. K. (2021). LSTM-based Sales Forecasting Model. KSII Transac-tions on Internet & Information Systems, 15(4). 10.Kamdem, J. S., Essomba, R. B., & Berinyuy, J. N. (2020). Deep learning models for forecasting and analyzing the implications of COVID-19 spread on some commodities markets volatilities. Chaos, Solitons & Fractals, 140, 110215. 11.Lewis, C. D. (1982). Industrial and business forecasting methods: A prac-tical guide to exponential smoothing and curve fitting. 12.Mehtab, S., & Sen, J. (2020). A time series analysis-based stock price prediction using machine learning and deep learning models. Internation-al Journal of Business Forecasting and Marketing Intelligence, 6(4), 272-335. 13.Nikolopoulos, K., & Fildes, R. (2013). Adjusting supply chain forecasts for short-term temperature estimates: a case study in a Brewing company. IMA Journal of Management Mathematics, 24(1), 79-88. 14.Olah, C. (2015). Understanding lstm networks. 15.Palkar, A., Deshpande, M., Kalekar, S., & Jaswal, S. (2020, July). Demand Forecasting in Retail Industry for Liquor Consumption using LSTM. In 2020 International Conference on Electronics and Sustainable Communi-cation Systems (ICESC) (pp. 521-525). IEEE. 16.Ramachandran, K. K. Prediction supermarket sales with big data analyt-ics : A comparative study if machine learning techniques. Journal ID, 6202, 8020. 17.Shen, J., & Shafiq, M. O. (2020). Short-term stock market price trend prediction using a comprehensive deep learning system. Journal of big Data, 7(1), 1-33. 18.Siami-Namini, S., & Namin, A. S. (2018). Forecasting economics and fi-nancial time series: ARIMA vs. LSTM. arXiv preprint arXiv:1803.06386. 19.Siami-Namini, S., Tavakoli, N., & Namin, A. S. (2019). A comparative analysis of forecasting financial time series using arima, lstm, and bilstm. arXiv preprint arXiv:1911.09512. 20.Vavliakis, K. N., Siailis, A., & Symeonidis, A. L. (2021). Optimizing Sales Forecasting in e-Commerce with ARIMA and LSTM Models. In WEBIST (pp. 299-306). zh_TW
