Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
A comparative study between LSTM and ARIMA for sales forecasting in retail
KTH, School of Electrical Engineering and Computer Science (EECS).
KTH, School of Electrical Engineering and Computer Science (EECS).
2018 (English)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesisAlternative title
En jämförande studie mellan LSTM och ARIMA för prognostisering av försäljning i livsmedelsbutiker (Swedish)
Abstract [en]

Food waste is a major environmental issue. Expired products are thrown away, implying that too much food is ordered compared to what is sold and that a more accurate prediction model is required within grocery stores. In this study the two prediction models Long Short-Term Memory (LSTM) and Autoregressive Integrated Moving Average (ARIMA) were compared on their prediction accuracy in two scenarios, given sales data for different products, to observe if LSTM is a model that can compete against the ARIMA model in the field of sales forecasting in retail.    

In the first scenario the models predict sales for one day ahead using given data, while they in the second scenario predict each day for a week ahead. Using the evaluation measures RMSE and MAE together with a t-test the results show that the difference between the LSTM and ARIMA model is not of statistical significance in the scenario of predicting one day ahead. However when predicting seven days ahead, the results show that there is a statistical significance in the difference indicating that the LSTM model has higher accuracy. This study therefore concludes that the LSTM model is promising in the field of sales forecasting in retail and able to compete against the ARIMA model.

Abstract [sv]

Matsvinn är ett stort problem för miljön. Utgångna produkter slängs, vilket implicerar att för mycket mat beställs jämfört med hur mycket butikerna säljer. En mer precis modell för att förutsäga försäljningssiffrorna kan minska matsvinnet. Denna studie jämför modellerna Long Short-Term Memory (LSTM) och Autoregressive Integrated Moving Average (ARIMA) i deras precision i två scenarion. Givet försäljningssiffror för olika matvaruprodukter, undersöks ifall LSTM är en modell som kan konkurrera mot ARIMA-modellen när modellerna ska förutsäga försäljningssiffror för matvaruprodukter.        

Det första scenariot var att förutse försäljningen en dag i framtiden baserat på given data, medan det andra scenariot var att förutse försäljningen varje dag under en vecka i framtiden baserat på given data. Genom att använda måtten RMSE och MAE tillsammans med ett T-Test visade resultaten av studien att skillnaden mellan LSTM- och ARIMA-modellen inte var av statistik signifikans i fallet då modellerna skulle förutsäga försäljningen en dag i framtiden. Däremot visar resultaten på att skillnaden mellan modellerna är av signifikans när modellerna skulle förutsäga försäljningen under en vecka, vilken implicerar att LSTM-modellen har en högre precision i detta scenario. Denna studie drar därmed slutsatsen att LSTM-modellen är lovande och kan konkurrera mot ARIMA-modellen när det kommer till försäljningssiffror av matvaruprodukter.

Place, publisher, year, edition, pages
2018.
Series
TRITA-EECS-EX ; 2018:215
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-229747OAI: oai:DiVA.org:kth-229747DiVA, id: diva2:1214307
Subject / course
Computer Science
Supervisors
Examiners
Available from: 2018-08-03 Created: 2018-06-06 Last updated: 2018-08-03Bibliographically approved

Open Access in DiVA

fulltext(526 kB)17 downloads
File information
File name FULLTEXT01.pdfFile size 526 kBChecksum SHA-512
c96da8e6dbeff8e29a2d975eea008b2f601e6d997946c0c7e61284cc36efeb8e55343b5cbfba2507efa2bc084e6fff2923f6d94b8010a40296da24bce1d04980
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 17 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 7 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf