產品需求預測AI

一、目的

每個公司都有自己的產品需要推銷與銷售，但公司產品的需求量往往無法提前評估，而有供應問題與定價問題，若能利用AI預測下一期的產品需求量，則可以提早準備製作所需的產品量，以減少成本消耗與擬訂適合的價格。

二、方法

1. 從Kaggle上下載產品需求資料集(Historical Product Demand.csv)，作為公司產品資料的模擬。
2. 利用EDA查看資料狀態，資料清理後將資料按時間序列排序，刪除遺失值與資料過少的年份。
3. 由於資料時間最小單位為天，因此將同一天的需求量加總，資料總數約為1600筆。
4. 利用滾動預測之方法做資料的轉換，並嘗試不同窗口大小做調整。
5. 兩個ipynb檔皆可進行上述操作，差異在於product_demand_xgb.ipynb選擇XGBoost模型並隨機挑選最佳超參數，product_demand_lstm.ipynb選擇lstm模型調整神經層數與神經元數，並比較兩種模型在不同窗口大小、神經層數大小之預測結果。

三、結果

1. 結果顯示XGBoost的結果較為準確，誤差相對較小。
2. LSTM可透過調整神經層數改變預測值的趨勢大小，層數越大預測值越保守，層數越小預測值變動幅度越大，在5層的神經層數時，預測值較為穩定的，相對XGBoost結果較少誤差很大情況出現。
3. 根據誤差較大的時間點做深入的資料分析，發現資料的連續性對於預測值與實際值的誤差可能有影響。

四、改善方向與應用

1. 改善資料時間的連續性
2. 增加資料總數
3. 加入影響需求量之因素

詳細資料報告可參閱"需求評估AI專題簡報檔"

資料來源:https://www.kaggle.com/datasets/felixzhao/productdemandforecasting