فهرست نشریات علمی دسترسی آزاد ایران

پیش‌بینی دقیق تقاضا در خرده‌فروشی آنلاین یکی از چالش‌های اساسی در مدیریت زنجیره تأمین و برنامه‌ریزی موجودی محسوب می‌شود، زیرا الگوهای تقاضا معمولاً تحت تأثیر روابط پیچیده زمانی، تعاملات شبکه‌ای میان محصولات و ویژگی‌های معنایی اقلام قرار دارند. بسیاری از رویکردهای سنتی سری زمانی و حتی برخی مدل‌های یادگیری عمیق در مدل‌سازی هم‌زمان این وابستگی‌های پویا و غیرخطی با محدودیت‌هایی مواجه‌اند. در پاسخ به این چالش، پژوهش حاضر یک چارچوب پیش‌بینی نوین مبتنی بر معماری ترنسفورمر ارائه داده که قادر است وابستگی‌های زمانی با تأخیر، اثرات شبکه‌ای میان محصولات و اطلاعات معناشناختی کالاها را به‌صورت یکپارچه مدل‌سازی کند. این پژوهش از نوع تجربی- محاسباتی بوده و برای ارزیابی مدل پیشنهادی از مجموعه‌داده واقعی خرده‌فروشی آنلاین دو استفاده شده است. پس از انجام مراحل پیش‌پردازش داده‌ها و حذف رکوردهای ناقص، داده‌ها به مجموعه‌های آموزش و آزمون تقسیم شدند. سپس مدل پیشنهادی با بهره‌گیری از سازوکار توجه چندسری در چارچوب ترنسفورمر و با استفاده از بازنمایی‌های معنایی استخراج‌شده از توضیحات محصولات آموزش داده شد. بر اساس نتایج، مدل ترنسفورمر پیشنهادی با دستیابی به مقادیر میانگین قدرمطلق خطا معادل ۲٫۶۸ و ریشه میانگین مربعات خطا معادل ۳٫۸۵، عملکرد بهتری نسبت به مدل‌های خودهمبسته میانگین متحرک انباشته (با میانگین قدرمطلق خطا برابر ۴٫۳۷ و ریشه میانگین مربعات خطا برابر ۵٫۹۶) و الگوریتم تقویت گرادیانت (با میانگین قدرمطلق خطا برابر ۳٫۹۱ و ریشه میانگین مربعات خطا برابر ۵٫۱۲) ارائه می‌دهد. این بهبود نشان داد که چارچوب پیشنهادی قادر است الگوهای پیچیده تقاضا و روابط میان‌محصولی را به‌طور مؤثر شناسایی کند.