Demand Forecasting Method of Moving Average considering Variable Selection by Multiple Comparison Procedure
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
To help achieve Goal 12 of the SDGs, “Ensure sustainable consumption and production patterns,” food loss must be reduced. Therefore, a case study based on industry-academia collaboration with a processed food manufacturer was conducted. The manufacturer has a single production site in Koga City, Ibaraki Prefecture, and it ships products nationwide. The company handles milk, dairy products, various beverages, desserts, and other daily delivery products. All of these products are susceptible to obsolescence and have a short shelf life; consequently, excess inventory can easily lead directly to food loss. Aiming to reduce food loss, we analyzed the current situation and factors according to a problem-solving QC (Quality Control) story, and low accuracy in demand forecasting was found to be the main cause of food loss. As a result of studying countermeasures from the perspective of the 4Ms (Man, Machine, Material, Method) of production factors in quality control, we developed and introduced a demand forecasting method suitable for the characteristics of day-of-week-dependent demand as a countermeasure. By examining the formula for demand forecasting, we proposed a method that applies the multiple comparison procedure used in pharmaceutical development to demand forecasting in this case study. The demand forecasting formula is simple, and its practical use is emphasized in this case study. We compared and verified the accuracy of demand forecasting between the proposed method and existing methods using the absolute percentage error as an evaluation index and confirmed the superiority of the proposed method. This proposed method has practical value not only in terms of demand forecasting accuracy but also in terms of the standardization of operations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,057 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle