DOI: https://doi.org/10.48084/etasr.10348
تاريخ النشر: 2025-06-04
المؤلف: Mohammad Abdulaziz Alwadi
الموضوع الرئيسي: تقنيات التنبؤ وتطبيقاتها
نظرة عامة
تسلط الأبحاث الضوء على التقدمات الكبيرة في صناعة خدمات النفط من خلال تطبيق التعلم الآلي والتحليلات التنبؤية. من خلال الاستفادة من سجلات الإنتاج وبيانات الموظفين وملفات مبيعات الوقود، تعزز هذه الأنظمة قدرات اتخاذ القرار لمديري الوقود، مما يمكنهم من توقع مبيعات البنزين، وتحديد الاتجاهات، وإدارة الموارد بشكل أكثر فعالية. تقدم الدراسة طريقة تنبؤية جديدة لتحليل مبيعات الوقود، باستخدام مجموعة بيانات في الوقت الحقيقي من محطة خدمة في الأردن، والتي تم دمجها مع نظام مبيعات عبر الإنترنت.
في الختام، تم تحديد نموذج الغابة العشوائية (RF) كأكثر أداة تنبؤية فعالة، حيث حقق دقة عالية قدرها $R^2 = 0.999$ وأدنى خطأ متوسط تربيعي (MSE). إن قدرته على إدارة تعقيد البيانات وتقلبها تجعلها مناسبة بشكل خاص للبيئات الديناميكية. يحتل نموذج الذاكرة طويلة وقصيرة الأجل (LSTM) المرتبة الثانية، حيث يظهر كفاءة في التعامل مع بيانات السلاسل الزمنية ولكنه يحقق أداءً أقل قليلاً مقارنة بـ RF. تُلاحظ النماذج التقليدية مثل ARIMA وSARIMA لفائدتها في تحديد الأنماط طويلة الأجل لكنها أقل فعالية في السياقات المتقلبة. توصي الدراسة باستخدام نموذج RF للتنبؤ في السيناريوهات سريعة التغير، بينما تقترح أن يكون LSTM بديلاً قابلاً للتطبيق لمجموعات البيانات الأقل تقلبًا. قد تشمل اتجاهات البحث المستقبلية استكشاف النماذج الهجينة التي تجمع بين مزايا كل من الأساليب القائمة على الأشجار والأساليب التسلسلية.
مقدمة
تناقش مقدمة ورقة البحث الدور التحويلي للذكاء الاصطناعي المدفوع بالبيانات (AI) والتعلم الآلي في تعزيز إدارة مبيعات الوقود وعمليات اتخاذ القرار. تسلط الضوء على أهمية مبيعات الوقود في دعم الاقتصاديات، خاصة في الدول النامية مثل الأردن، حيث قامت شركة جوبترول، الموزع الرئيسي، بتنفيذ مستشعرات ذكية وقارئات بطاقات لجمع بيانات مبيعات شاملة من يناير 2023 إلى يونيو 2024. تشمل هذه البيانات مقاييس تشغيلية متنوعة، مما يمكّن من تحسين الكفاءة في إدارة المخزون، وتوقع المبيعات، وخدمة العملاء من خلال دمج الذكاء الاصطناعي.
تهدف الدراسة إلى تقييم خوارزميات التعلم الآلي لتوقع مبيعات الوقود على المستويات القصيرة الأجل (يوميًا) والطويلة الأجل (شهريًا)، مع التركيز على تصنيف المبيعات إلى فئات وتقديم تقديرات كمية باستخدام نماذج التصنيف والانحدار. قارن البحث السابق بين النماذج الإحصائية التقليدية، مثل ARIMA وARMA، مع نماذج التعلم الآلي مثل آلات الدعم الشعاعي (SVM)، والغابة العشوائية (RF)، وXGBoost، حيث أظهرت XGBoost دقة متفوقة في تخطيط الإمدادات. تؤكد المقدمة على أهمية التنبؤات الدقيقة للمبيعات في تحسين العمليات وتعزيز رضا العملاء، مشددة على الحاجة إلى أساليب تنبؤية مبتكرة تدمج بيانات العملاء وتقنيات تحليل متقدمة.
الطرق
في قسم الطرق، تم توضيح خطوات المعالجة المسبقة والإعداد التجريبي لمجموعة البيانات. تم إزالة الأعمدة غير ذات الصلة، تحديدًا نوع الدفع والمجموعة، لتبسيط التحليل. تم إعادة تنسيق التواريخ إلى هياكل زمنية مناسبة، وتم ملء عمود الحضور، الذي يحتوي على 2,124 قيمة مفقودة، بـ “غير معروف” نظرًا لأن هذه الحذف لم يؤثر على التحليل العام. تم تقديم عينة من مجموعة البيانات في الجدول II، موضحة نتائج المعالجة المسبقة.
تم استخدام تقنيات تصور البيانات لتحليل مجموعة البيانات بشكل أكبر. تم إنشاء مخططات هيستوجرام للمتغيرات العددية مثل سعر الوحدة، ومبلغ المبيعات، وسعر المبيعات. عرض سعر الوحدة نطاقًا محدودًا، متسقًا مع طبيعة المنتجات (مثل البنزين أو الديزل)، بينما أظهر مبلغ المبيعات توزيعًا أوسع، مما يشير إلى تنوع أحجام المعاملات. أظهر مخطط الانتشار علاقة إيجابية بين مبلغ المبيعات وسعر المبيعات، متماشيًا مع التوقعات بأن أحجام المبيعات الأكبر تتوافق مع أسعار أعلى. بالإضافة إلى ذلك، سلطت مخططات الصندوق الضوء على القيم الشاذة في توزيعات مبلغ المبيعات وسعر المبيعات، مما يشير إلى وجود معاملات كبيرة بشكل غير عادي تستدعي مزيدًا من التحقيق.
النتائج
وجدت الدراسة أن نموذج الغابة العشوائية (RF) كان الأكثر دقة في توقع مبيعات الوقود، متجاوزًا النماذج التقليدية للسلاسل الزمنية مثل ARIMA وSARIMA. تدعم هذه النتيجة الأبحاث السابقة التي تشير إلى أن نماذج التعلم الآلي، وخاصة الخوارزميات القائمة على الأشجار، أكثر ملاءمة لإدارة مجموعات البيانات المعقدة والمتقلبة مقارنة بالطرق الإحصائية الكلاسيكية. بينما تكون نماذج ARIMA وSARIMA فعالة في التقاط الاتجاهات طويلة الأجل، فإنها تكافح مع التقلبات المفاجئة، وهو قيد يتجاوزه RF. على الرغم من أن شبكات الذاكرة طويلة وقصيرة الأجل (LSTM) أدت بشكل جيد كنموذج ثاني، إلا أن أدائها الأقل قليلاً مقارنة بـ RF قد يُعزى إلى تقلب مجموعة البيانات العالي والاتجاهات التاريخية القصيرة، والتي يمكن للنماذج القائمة على الأشجار التنقل فيها بشكل أكثر براعة.
تشير الدراسة أيضًا إلى أن الأبحاث السابقة أظهرت تحسين دقة التنبؤ عند دمج LSTM مع عوامل خارجية مثل المؤشرات الاقتصادية وظروف الطقس، والتي لم يتم دمجها بالكامل في هذا التحليل. تعزز النتائج التفضيل لأساليب التعلم الآلي على الطرق التقليدية، ومع ذلك، تبرز الفوائد المحتملة للنماذج الهجينة أو الميزات الإضافية لتحسين دقة التنبؤ. تقتصر قيود البحث على البيانات من محطة وقود واحدة على قابليتها للتعميم، حيث قد لا تمثل بدقة الطلب الإقليمي الأوسع أو سلوك المستهلك. يجب أن تأخذ التحقيقات المستقبلية في الاعتبار استخدام بيانات متعددة المواقع لتحسين متانة وملاءمة النتائج.
المناقشة
في قسم المناقشة من ورقة البحث، يبرز المؤلف التأثير التحويلي للتعلم الآلي على مختلف الصناعات، وخاصة في توقع المبيعات. تؤكد الدراسة على فعالية نماذج التعلم الآلي، مثل الغابة العشوائية (RF) وأشجار القرار (DT)، في توقع أسعار مبيعات الوقود، متفوقة على الطرق التقليدية للسلاسل الزمنية مثل ARIMA وSARIMA، خاصة في البيئات المتقلبة. بينما تكون نماذج ARIMA بارعة في التقاط الاتجاهات طويلة الأجل، فإنها تكافح مع التقلبات المفاجئة، بينما أظهر RF أداءً متفوقًا في التعامل مع الطبيعة الديناميكية لبيانات مبيعات الوقود، محققًا قيمة R² قدرها 0.999 ومتوسط خطأ تربيعي (MSE) قدره 0.071.
تقارن الأبحاث أيضًا نماذج التعلم العميق، وتحديدًا الذاكرة طويلة وقصيرة الأجل (LSTM) ووحدات التكرار المغلقة (GRU)، مشيرة إلى أنه بينما أدت LSTM بشكل أفضل في تتبع الاتجاهات والتقلبات، إلا أنها لا تزال متأخرة عن RF في الدقة العامة. تشير النتائج إلى أن دمج طرق التجميع، التي تجمع بين RF وتقنيات التعلم العميق، يمكن أن يعزز قدرات التنبؤ بشكل أكبر. يوصي المؤلف بأن تركز الدراسات المستقبلية على تحسين دقة النموذج من خلال ضبط المعلمات الخارجية ودمج العوامل الخارجية، مما يحسن عمليات اتخاذ القرار في ظروف السوق الديناميكية.
DOI: https://doi.org/10.48084/etasr.10348
Publication Date: 2025-06-04
Author(s): Mohammad Abdulaziz Alwadi
Primary Topic: Forecasting Techniques and Applications
Overview
The research highlights significant advancements in the petroleum service industry through the application of machine learning and predictive analytics. By leveraging production records, staff data, and fuel sales profiles, these systems enhance decision-making capabilities for fuel managers, enabling them to forecast gasoline sales, identify trends, and manage resources more effectively. The study introduces a novel predictive method for fuel sales analysis, utilizing a real-time dataset from a service station in Jordan, which is integrated with an online sales system.
In the conclusion, the Random Forest (RF) model is identified as the most effective predictive tool, achieving a high accuracy of $R^2 = 0.999$ and the lowest Mean Squared Error (MSE). Its capacity to manage data complexity and volatility makes it particularly suitable for dynamic environments. The Long Short-Term Memory (LSTM) model ranks second, demonstrating proficiency in handling time-series data but slightly underperforming compared to RF. Traditional models like ARIMA and SARIMA are noted for their utility in identifying long-term patterns but are less effective in volatile contexts. The study recommends the RF model for forecasting in rapidly changing scenarios, while suggesting that LSTM could be a viable alternative for less volatile datasets. Future research directions may include exploring hybrid models that integrate the strengths of both tree-based and sequential approaches.
Introduction
The introduction of the research paper discusses the transformative role of data-driven artificial intelligence (AI) and machine learning in enhancing fuel sales management and decision-making processes. It highlights the significance of fuel sales in supporting economies, particularly in developing nations like Jordan, where Jopetrol, a major distributor, has implemented smart sensors and card readers to collect extensive sales data from January 2023 to June 2024. This data encompasses various operational metrics, enabling improved efficiency in inventory management, sales forecasting, and customer service through AI integration.
The study aims to evaluate machine learning algorithms for forecasting fuel sales at both short-term (daily) and long-term (monthly) levels, focusing on classifying sales into categories and providing quantitative estimates using classification and regression models. Previous research has compared traditional statistical models, such as ARIMA and ARMA, with machine learning models like Support Vector Machines (SVM), Random Forest (RF), and XGBoost, with XGBoost demonstrating superior accuracy for supply planning. The introduction underscores the importance of accurate sales predictions in optimizing operations and enhancing customer satisfaction, emphasizing the need for innovative forecasting approaches that integrate customer data and advanced analytical techniques.
Methods
In the Methods section, the preprocessing steps and experimental setup for the dataset are outlined. Irrelevant columns, specifically Payment Type and Group, were removed to streamline the analysis. Dates were reformatted to appropriate datetime structures, and the attendant column, which contained 2,124 missing values, was filled with “Unknown” since these omissions did not impact the overall analysis. A sample of the dataset is presented in Table II, illustrating the preprocessing results.
Data visualization techniques were employed to analyze the dataset further. Histograms were generated for numerical variables such as Unit Price, Sales Amount, and Sales Price. The Unit Price displayed a limited range, consistent with the nature of the products (e.g., Gasoline or Diesel), while the Sales Amount exhibited a broader distribution, indicating a variety of transaction sizes. A scatter plot demonstrated a positive correlation between Sales Amount and Sales Price, aligning with expectations that larger sales volumes correspond to higher prices. Additionally, box plots highlighted outliers in the Sales Amount and Sales Price distributions, suggesting the presence of unusually large transactions that warrant further investigation.
Results
The study found that the Random Forest (RF) model was the most accurate for forecasting fuel sales, surpassing traditional time series models like ARIMA and SARIMA. This finding supports prior research indicating that machine learning models, especially tree-based algorithms, are better suited for managing complex and volatile datasets compared to classical statistical methods. While ARIMA and SARIMA are effective for capturing long-term trends, they struggle with sudden fluctuations, a limitation that RF overcomes. Although Long Short-Term Memory (LSTM) networks performed well as the second-best model, their slight underperformance relative to RF may be attributed to the dataset’s high volatility and short historical trends, which tree-based models can navigate more adeptly.
The study also notes that previous research has shown improved forecasting accuracy when LSTM is combined with external factors like economic indicators and weather conditions, which were not fully integrated in this analysis. The results reinforce the preference for machine learning approaches over traditional methods, yet they highlight the potential benefits of hybrid models or additional features to enhance forecast precision. The research’s limitation to data from a single fuel station restricts its generalizability, as it may not accurately represent broader regional demand or consumer behavior. Future investigations should consider utilizing multi-location data to improve the robustness and applicability of the findings.
Discussion
In the discussion section of the research paper, the author highlights the transformative impact of machine learning on various industries, particularly in sales forecasting. The study emphasizes the effectiveness of machine learning models, such as Random Forest (RF) and Decision Trees (DT), in predicting fuel sales prices, outperforming traditional time series methods like ARIMA and SARIMA, especially in volatile environments. While ARIMA models are adept at capturing long-term trends, they struggle with sudden fluctuations, whereas RF demonstrated superior performance in handling the dynamic nature of fuel sales data, achieving an R² value of 0.999 and a mean squared error (MSE) of 0.071.
The research also compares deep learning models, specifically Long Short-Term Memory (LSTM) and Gated Recurrent Units (GRU), noting that while LSTM performed better in tracking trends and volatility, it still lagged behind RF in overall accuracy. The findings suggest that integrating ensemble methods, which combine RF with deep learning techniques, could further enhance forecasting capabilities. The author recommends that future studies focus on refining model accuracy through hyperparameter tuning and incorporating external factors, thereby improving decision-making processes in dynamic market conditions.