Models and methods for high-dimensional hierarchical time-series forecasts in the automotive industry
Buch in deiner Nähe kaufen
Beschreibung
Eine effiziente Planung und Steuerung industrieller Logistikketten ist auf Prognosen hoher Güte angewiesen. Die Komplexität von Gütern, Halbzeugen und Produktionsnetzwerken bestimmt die Anzahl und die strukturelle Komplexität notwendiger Prognosen.
Am Beispiel der Supply Chain eines Automobilherstellers werden notwendige Prognosen abgeleitet. Basierend auf der Beschreibung von Produktions- und Logistikprozessen werden die für die Planung und Steuerung relevanten Prozessschritte beschrieben und über deren jeweiligen Eingangs- und Ausgangsdaten in einem Modell verknüpft. Parallel werden die notwendigen Informationen von Gütern und Halbzeugen abstrahiert und ebenfalls in das Modell integriert. Das Modell ermöglicht die Bestimmung relevanter Prognosen. Die vorliegende Arbeit beschreibt einen Prozess, der es ermöglicht jegliche Regressionsmodelle zur Generierung von Prognosen zu trainieren. Am Beispiel von Künstlichen Neuronalen Netzen und ‘Random Forests’ werden auf Basis realer Daten Modelle trainiert und deren Parametrisierung evaluiert. In einem weiteren Schritt wird eine Methode vorgestellt, welche die kurzfristigen Regressionsergebnisse nutzt um mittel- bis langfristige Prognosen abzuleiten. Weiterhin wird die Hypothese untersucht, dass die Einbeziehung weiterer Prädiktoren am Beispiel von Fahrzeug Konfigurationen im Web-Konfigurator, die Güte resultierender Prognosen verbessert.
Die Anzahl notwendiger Prognosen steigt exponentiell mit der Menge der zu prognostizierenden Merkmalsausprägungen. Beispielsweise benötigt ein Produkt mit zwei möglichen Ausprägungen zwei unabhängige Prognosen. Für Prognosen von Fahrzeugen ist oftmals die Kombination aus mehreren Merkmalen ausschlaggebend, z.B. die Absatzprognosen für ein bestimmtes Modell, in einem definierten Markt mit spezifischen Sonderausstattungen. Prognosen können als Hierarchien gruppiert werden. Für den Fall zweier Ausprägungen, können die Prognosen beispielsweise zu einer Prognose der Gesamtmenge addiert werden. In der vorliegenden Arbeit wird ein Modell vorgestellt, welches die Erstellung kohärenter Prognosen in hochdimensionalen Hierarchien mit vielfältigen Merkmalsausprägungen ermöglicht. Eine Modellerweiterung berücksichtigt Korrelationen von Merkmalen in Markov Netzen.
Zusammenfassend beantwortet diese Dissertation folgende Fragestellungen: (1) Welche Methoden und Prozesse eignen sich für die Erstellung hochdimensionaler Prognosen? (2) Kann die Prognosegüte durch die Integration weiterer Prädiktoren, wie den Daten eines Web- Konfigurators, verbessert werden? (3) Wie können kohärente Prognosen für Hierarchien im hochdimensionalen Raum generiert werden?
Autor*in
Mathias Quetschlich
Themen in »Models and methods for high-dimensional hierarchical time-series forecasts in the automotive industry«
Automobilbau Big Data Komplexitätsreduktion Künstliche Intelligenz Maschinelles Lernen Mathematische Optimierung Operations Research Prognosen Supply Chain Management