The goal of this thesis is to be able to predict customer traffic at postal service points. The expectation is that when customers are made aware of queue times at the service points, they will redistribute themselves to avoid standing in line. This boils down to a form of time series prediction problem. When working with time series prediction, there are potentially other factors that may help the models make a more accurate prediction. Factors that may affect people’s behavior are unlimited, but this thesis examines the effect of the external calendar variables (weekday, date and public holiday) and weather variables (temperature, precipitation and sun, among others) when making the predictions. Non-linear models are examined, with the focus on Multilayer Perceptrons (MLPs) and Long Short-Term Memory (LSTM) models that have shown promising results in time series prediction, and these models are referred to as Artificial Neural Networks (ANNs). Support Vector Regression (SVR), Autoregressive Moving Average (ARIMA) and statistical average models are used for comparison. The results show that using external variables as additional input to LSTM, MLP and SVR models increases the test prediction performance. Further, the MLP model generally performs better than the LSTM models. The results are acquired using six postal service points, and the final results are based on a six-fold cross validation across all six service points. The LSTM and MLP are able to better use the external variables and show greater adaptability during e.g. public holidays, compared with the SVR model. The ARIMA and historical average model show less accurate predictions compared with the aforementioned models. / Målet med detta examensarbete är att förutspå kundtrafik hos postserviceställen. Förhoppningen är att kunderna omfördelar sig själva om de får tillgång till kundtrafikprognoser för att undvika stå i kö. Detta resulterar i ett tidsserie-förutsägelseproblem. Vid sådana problem finns det potentiellt andra faktorer som kan påverka modellernas prediktioner positivt. Antalet faktorer som påverkar människors beteende är obegränsat, men detta examensarbete undersöker effekterna av att använda externa kalendervariabler (veckodag, datum och röd dag) och vädervariabler (temperatur, nederbörd och sol, bland annat). För att göra prediktionerna används främst de icke-linjära modellerna Multilayer Perceptron (MLP) och Long Short-Term Memory (LSTM), som båda refereras till som Artificial Neural Network (ANN). Båda modellerna har visat lovande resultat i liknande problem. Utöver dem används även modellerna Support Vector Regression (SVR) och Autoregressive Moving Average (ARIMA) samt det historiska genomsnittet som jämförelse. Resultaten visar på att om LSTM-, MLPoch SVR-modellerna får externa variabler som tilläggsinput så förbättras modellernas förutsägelser. Vidare presterar MLP-modellen generellt bättre än LSTMmodellen. Resultaten är skapade genom att använda sex stycken postserviceställen och de slutgiltiga resultaten är baserade på en 6-vägs korsvalidering för samtliga serviceställen. LSTMoch MLP-modellerna är bättre på att använda informationen från de externa variablerna och visar på större anpassningsförmåga, under till exempel röda dagar, jämfört med SVR-modellen. ARIMA-modellen och den historiska genomsnittsmodellen skapar sämre prediktioner än de förutnämndamodellerna.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-240270 |
Date | January 2018 |
Creators | Bäckström, Sandra |
Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | Swedish |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | TRITA-EECS-EX ; 2018:762 |
Page generated in 0.0019 seconds