Prévision de la demande

Résumé

La prévision de la demande (à différencier de la prévision des ventes qui intègre les contraintes de production) est une démarche qui consiste à estimer la consommation des produits ou des services pour les périodes à venir. Elle permettra de planifier la production afin de réduire les délais de livraison et d'optimiser le niveau des stocks. La prévision de la demande est aussi une étape fondamentale de l'établissement d'un S&OP (plan industriel et commercial) ou d'un plan d'affaires ("business model") pour étudier la viabilité économique d'un projet ou d'une entreprise. Les calculs des futures dépenses d'investissement et de fonctionnement ainsi que les futurs revenus attendus pendant la période étudiée sont directement reliés aux résultats de la prévision de la demande et la pertinence des indicateurs financiers dépend étroitement de la qualité des prévisions réalisées. Il n'y a pas de méthode sure et fiable à 100 %. Les méthodes de prévision se basent soit sur des données historiq

Source officielle

https://fr.wikipedia.org/wiki/Pr%C3%A9vision_de_la_demande

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Publications associées (4)

Publications associées

Chargement

Personnes associées

Chargement

Unités associées

Chargement

Concepts associés (1)

Concepts associés

Chargement

Cours associés (4)

Cours associés

Chargement

Séances de cours associées (12)

Séances de cours associées

Chargement

Demand forecast for pharmaceutical company

Daniele Messina

2009

Chargement

Generating daily activity schedules using machine learning Master Thesis Sergej Gasparovich June 19, 2020 Prof. M. Bierlaire, J. Pougala, T. Hillel Transport and Mobility Laboratory, EPFL Y. Liu Visual Intelligence

Sergej Gasparovich

The study of how people schedule their daily activities is of interest in the context of transport demand forecasting using activity based-models, where activity schedules are generated in order to estimate the trip demand they produce. Machine learning has achieved efficient results in a number of areas due to its strong data processing capacity and can be useful for demand forecast models. This paper demonstrates for the first time how Generative Adversarial Networks (GAN) can be applied in this context. We create a GAN model adapted for the specificity of the task, capable of working with discrete data and generating feasible daily activity patterns based on data of Swiss residents from the MTMC 2015 data set. We also show how we can condition our model to generate patterns for distinct days of the week. This work can be used as a framework for the activity generation step for activity-based modelling, in order to provide accurate and diverse activity schedules predictions using machine learning.

2020

Chargement

Interpretable Social Anchors for Human Trajectory Forecasting in Crowds

Alexandre Massoud Alahi, Parth Ashit Kothari, Brian Alan Sifringer

Human trajectory forecasting in crowds, at its core, is a sequence prediction problem with specific challenges of capturing inter-sequence dependencies (social interactions) and consequently predicting socially-compliant multimodal distributions. In recent years, neural network-based methods have been shown to outperform hand-crafted methods on distance-based metrics. However, these data-driven methods still suffer from one crucial limitation: lack of interpretability. To overcome this limitation, we leverage the power of discrete choice models to learn interpretable rule-based intents, and subsequently utilise the expressibility of neural networks to model scene-specific residual. Extensive experimentation on the interaction-centric benchmark TrajNet++ demonstrates the effectiveness of our proposed architecture to explain its predictions without compromising the accuracy.

2021

Chargement