Prognose von Retourenmengen in der Paketlogistik

Die Auswahl der Verfahren basiert auf dem State-of-the-Art. In Zusammenarbeit mit dem Kunden werden Vergangenheitsdaten erhoben und der Benchmark definiert. Hierzu werden die Zeiträume für Trainings- und Testdaten sowie geeignete Fehlermaße abgestimmt. Unter Verwendung von Jupyter Notebooks erfolgt zunächst die Analyse der Daten im Sinne einer klassischen Zeitreihenanalyse. Hierbei werden Konzepte wie Stationarität, Trend und Saisonalität der Zeitreihe untersucht, um unterschiedlichste Prognoseverfahren wie bspw. (S)ARIMA, (T)BATs, Exponential Smoothing, Holt-Winters, Random Forest und XGBoost optimal zu parametrisieren. Die Entwicklung und Evaluation der Prognosemodelle geschieht unter Verwendung bekannter Python Bibliotheken wie z. B. fbprophet, matplotlib, pandas, scikit-learn, scipy, statsmodels und tbats.