Demand Prediction for Food and Beverage SMEs Using SARIMAX and Weather Data
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
The SME sector in Indonesia comprises 99.99% of businesses, employing 96.9% of the workforce and contributing 60.5% to GDP and non-oil exports.Despite their importance, SMEs face challenges including limited financial access, product hygiene concerns, and fluctuating demand.Accurate demand prediction is crucial for optimizing production, inventory, and resource allocation.SARIMAX and VAR models are commonly used for demand prediction, with SARIMAX proving more effective, especially when integrating weather data.Due to there are quite few literatures about SARIMAX is used at SMEs, in this study we utilized SARIMAX and VAR models with sales and weather data (average temperature and average humidity) from January to June 2023.SARIMAX with optimum parameters optimum parameters (d=1, D=1, p=2, q=3, P=2, Q=2, s=7) outperformed optimized VAR in predicting demand for food and beverage SMEs.SARIMAX obtained AIC 1070.11,MSE 80.393, MAE 7.513, RMSE 8.966 and reduced MSE by 86.35% compared to VAR.This research highlights the significance of accurate demand prediction for SMEs, emphasizing the importance of considering external factors like weather.Understanding and predicting demand patterns are vital for SMEs to make informed decisions and optimize operations efficiently.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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