كل المشاريع
سلاسل زمنية
التنبؤ التاريخي بطلب المنتجات
معيار 19 نموذجاً: TS كلاسيكي → ML → DL → مجموعة. CatBoost R²=0.7125 (الأفضل). ML يتفوق على TS الكلاسيكي (SMAPE 115-130% مقابل 35-40% لـ TS، لكن R² سالب لـ TS). CV walk-forward مع Optuna.
0.7125
CatBoost R²
8,511
Quantile Reg MAE
0.11 (Prophet)
Classical TS best R²
19
Models benchmarked
مجموعة البيانات
DataCo SCMS: أكثر من 215K صف، 36 ميزة، CV walk-forward
المنهجية
CV walk-forward → 19 نموذجاً: خطوط أساسية TS → ML → DL (LSTM/TFT/N-BEATS) → مجموعة
المكدس التقني
PythonCatBoostXGBoostLightGBMPyTorch LightningN-BEATSTFTOptuna
الكلمات المفتاحية
CatBoostXGBoostLightGBMLSTMTFTN-BEATSWalk-ForwardDemand Forecasting
المرئيات8 مخططات
التعمق
معيار شامل للتنبؤ بالطلب — 19 نموذجاً على سلسلة إمداد DataCo.
مجموعة البيانات
- ◂أكثر من 215K صف، 36 ميزة بعد الهندسة
- ◂CV walk-forward (نافذة توسعية)
- ◂اختبار ADF: ثابت (p<0.0001)
النماذج الـ 19 — النتائج الرئيسية
| النموذج | MAE | SMAPE | R² |
|---|---|---|---|
| ساذج (آخر قيمة) | 1,145K | 99.4% | -3.09 |
| TS كلاسيكي (Theta) | 536K | 35.0% | -0.07 |
| Prophet | 523K | 34.8% | +0.11 |
| CatBoost | 9.5K | 121.3% | +0.713 |
| XGBoost (Optuna) | 9.4K | 115.2% | +0.707 |
| الانحدار الكمي (P50) | 8.5K | 75.3% | +0.700 |
| LSTM | 554K | 36.2% | -0.08 |
مفارقة ML مقابل TS الكلاسيكي TS الكلاسيكي: مقياس صحيح (SMAPE 35%)، أنماط خاطئة (R²<0). ML: أنماط صحيحة (R²=0.71)، أخطاء مطلقة كبيرة (SMAPE 115%). الانحدار الكمي P50 يوازن أفضل.
لماذا يفشل التعلم العميق هنا LSTM/TFT/N-BEATS جميعاً R²<0 — أسوأ من Prophet. بيانات الطلب لها بنية منفصلة يُنمذجها الأشجار بشكل مثالي.