HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ
Lọc theo danh mục
liên kết website
Lượt truy cập
Lượt truy cập :
23,669,466
- Công bố khoa học và công nghệ Việt Nam
06
Kinh doanh và quản lý
BB
Nguyễn Thị Thu Hảo, Hà Trọng Khôi, Lê Thị Diễm Châu
Phương pháp dự báo hiệu quả trong xác định nhu cầu sản xuất: Một nghiên cứu điển hình
Effective forecasting method for determining production demand: A case study
Khoa học (Đại học Hồng Bàng)
2025
61-68
2615-9686
Dự báo từ lâu đã là yếu tố thiết yếu giúp doanh nghiệp cải thiện hiệu suất và tăng hiệu quả về kinh tế. Các phương pháp dự báo kinh điển như trung bình động (Moving Average), làm mịn theo hàm mũ (Exponential Smoothing), ARIMA cùng với phương pháp bộ nhớ dài hạn ngắn hạn (LSTM) đã được sử dụng trong nghiên cứu này với mục đích so sánh và tìm ra phương pháp hiệu quả nhằm giúp tối ưu hoá kế hoạch và quản lý sản xuất hoặc quản lý tồn kho, đồng thời giúp doanh nghiệp tiết kiệm chi phí. Các phương pháp cổ điển tuy dễ thực hiện nhưng khó nắm bắt và khó ghi nhớ xu hướng thị trường, trong khi phương pháp học máy cho ra kết quả rất tốt đối với tình huống này. Bộ dữ liệu được sử dụng được lấy từ một công ty sản xuất bút địa phương, được xử lý bằng cách chuẩn hoá và kiểm tra tính dừng. Hiệu quả của mô hình được đánh giá thông qua các chỉ số như sai số bình phương trung bình (MSE), căn bậc hai sai số bình phương trung bình (RMSE) và sai số phần trăm tuyệt đối trung bình (MAPE). Theo kết quả thử nghiệm, các phương pháp cổ điển cung cấp đường cơ sở bền vững. Tuy nhiên, LSTM cho thấy dự báo có độ chính xác cao hơn, có thể cải thiện sai số dự báo và độ tin cậy, mang lại lợi ích về mặt kỹ thuật và kinh tế cho doanh nghiệp. Nghiên cứu này đóng góp vào lĩnh vực sản xuất bằng cách cung cấp phân tích so sánh toàn diện về các phương pháp dự báo và hiểu biết thực tế cho các công ty công nghiệp để nâng cao năng lực dự báo nhu cầu sản xuất hiệu quả.
Forecasting has long been essential for improving enterprise performance, especially in inventory management, production planning, and overall economic efficiency. This study aims to predict production demand for a local stationery manufacturer with the aim of comparing and finding effective methods between three classical forecasting methods - Moving Average, Exponential Smoothing, and ARIMA - with a modern deep learning approach, Long Short-Term Memory (LSTM), to optimize production or inventory planning and management, and support enterprises in reducing waste and saving many expenses. Despite the ease of implement, the classical forecasting methods have difficulties in capturing and remembering economic trends, while machine learning gives more effective results in this circumstance. The data set includes quantities of demand and production collected and pre-processed by normalizing and stationarity testing. Classical methods are applied to capture the trends and variations in the data. At the same time, the LSTM is built to learn models with more complex patterns or some essential elements that traditional methods might overlook. The efficiency of the model is evaluated through forecasting errors such as Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and Mean Absolute Percentage Error (MAPE). According to experimental results, classical methods provide a sustainable baseline. Still, the LSTM model shows high accuracy, especially in catching up with subtle fluctuations and unusual patterns in the dataset. It is ensured that using advanced deep learning techniques, such as LSTM, could improve forecasting error and reliability and significantly benefit manufacturing planning and inventory control. This study contributes to this field by providing a comprehensive comparative analysis of forecasting methods and practical insights for industrial companies to upgrade their capabilities in forecasting production demand effectively.
TTKHCNQG, CVv 414
Xem toàn văn