Prediktivní modely pro odhad poptávky B2B odběratelů velkoobchodu – Adam Nekola
Adam Nekola
Master's thesis
Prediktivní modely pro odhad poptávky B2B odběratelů velkoobchodu
Forecasting models for estimating the demand of B2B wholesale customers
Abstract:
Diplomová práce se zabývá modelováním a predikováním měsíčních časových řad poptávek po produktech od B2B odběratelů českého velkoobchodu. Hlavním cílem této práce je nalézt vhodný prediktivní model pro odhad budoucí poptávky po produktech od B2B odběratelů. Pro predikování vybraných časových řad byly vybrány některé z modelů exponenciálního vyrovnávání, regresních modelů, ARIMA modelů a neuronových …moreAbstract:
The master thesis focuses on modelling and forecasting monthly time series of demands for products from B2B customers of a Czech wholesale company. The main goal of this work is to find a suitable predictive model for estimating future demand for products from B2B customers. Representatives of exponential smoothing models, regression models, ARIMA models and neural networks were selected to predict …more
Language used: Czech
Date on which the thesis was submitted / produced: 15. 11. 2021
Identifier:
https://vskp.vse.cz/eid/84937
Thesis defence
- Date of defence: 3. 2. 2022
- Supervisor: Karel Helman
- Reader: Lukáš Malec
Citation record
Full text of thesis
Contents of on-line thesis archive
Published in Theses:- autentizovaným zaměstnancům ze stejné školy/fakulty
Other ways of accessing the text
Institution archiving the thesis and making it accessible: Vysoká škola ekonomická v Prazehttps://vskp.vse.cz/eid/84937
Vysoká škola ekonomická v Praze
Master programme / field:
Kvantitativní metody v ekonomice / Statistika
Theses on a related topic
-
Exponenciální vyrovnávání časových řad v R
Petr Švančárek -
Fast object detection on mobile platforms using neural networks
Tomáš Repák -
Optimization techniques of neural networks for mobile platforms during training phase
Adam Grygar -
Cell Tracking Using Siamese Networks
Kristýna Janků -
Prostate Cancer Prediction with Graph Neural Networks
Štěpán Řihák -
Use of spiking neural networks
Václav HONZÍK -
Automatic Recognition of User Interface States Using Convolutional Neural Networks
Klára Petrovičová -
Anomaly segmentation using neural networks
Václav Hloušek