Rule Induction for Forecasting Transition Points in Product Life Cycle

2008
Arnis Kiršners, Anatolijs Sukovs

Dotajā rakstā tiek aprakstīta netradicionāla pieeja problēmas risinājumam, kas saistīta ar jauna produkta dzīves cikla prognozēšanu. Šī pieeja ir vērsta uz pārejas punktu prognozēšanu produkta dzīves ciklā. Raksta aktualitātes pamatā ir risku samazināšana, pieņemot lēmumus, kas saistīti ar jauna produkta dzīves cikla prognozēšanu nākotnē, analizējot līdzīgu produktu vēsturiskus pieprasījuma datus. Raksta autori ir analizējuši vēsturiskus produkta pieprasījuma datus par diviem gadiem. Par raksta teorētisko pamatojumu kalpo produkta dzīves cikla un laika rindu analīzes metodes. Rakstā tiek izmantotas datu pirmapstrādes, normalizācijas, klasifikācijas, klasterizācijas un diskretizācijas metodes. Klasifikācijas veiktspēja un īstās pozitīvās klases atpazīšana tiek vērtēta ar 3-kārtīgu šķērsvalidāciju, pielietojot rīku Weka – tājā iebūvēto klasifikatoru JRip, klasterizācijai izmantojot klasterizācijas režģa metodi un k-vidējo sadalošo algoritmu pie dažādu klasteru skaita. Eksperimentāli tiek noteikta labākā klasterizācijas metode un klasteru skaits pārejas punktu P1 un P2 prognozēšanai.

Atslēgas vārdi
Time series, forecasting of transition points, grid-clustering method, classification of data, clustering of data

Kiršners, A., Sukovs, A. Rule Induction for Forecasting Transition Points in Product Life Cycle. Informācijas tehnoloģija un vadības zinātne. Nr.36, 2008, 170.-177.lpp. ISSN 1407-7493.

Publikācijas valoda
English (en)