Deep Learning based Newsvendor Model in Collaboration with Monte Carlo Dropout for Inventory Allocation Problem

Abstract

Many companies irrespective of domain have been focusing on controlling their inventory level, finding optimal inventory quantity to minimize operational cost/maximize profit and ensure satisfactory service for the customers. In this work, we propose a solution for inventory allocation problem by using deep learning based newsvendor model in collaboration with Monte Carlo dropout. Unlike traditional newsvendor model that is solved based on the assumption of certain demand distributions, this proposed approach is a distribution assumption free approach in which the distribution of demand is not involved in the inventory optimization process. Our aim is to prove that our proposed approach can reduce inventory cost when compared to demand point forecasting method and traditional newsvendor model. We conduct an experiment of our suggested approach based on the context of energy trading in the day ahead market where energy retailers need to calculate optimal energy amount they need to purchase and submit to the market in order to maximize their revenue and the data used in this experiment is energy consumption data inside the commercial building in the United State. We also conduct sensitivity analysis on how different approaches generate inventory cost with respect to different values of cost parameters relating to inventory allocation problem. From the results of our experiment, the proposed approach shows superior performance result in terms of reducing inventory cost compared to existing methods. Our proposed approach can reduce inventory cost compared to demand point forecasting method in all cases of cost parameters. Moreover, our proposed approach produces less inventory cost compared to traditional newsvendor model that assumes normal distribution of demand in most cases of cost parameters. ;많은 기업이 운영 비용을 최소화하고 수익을 극대화하고 고객에게 만족스러운 서비스를 제공하기 위해 최적의 재고 수량을 찾도록 적절한 재고 관리하는 방법을 찾는 데 주력하고 있다. 본 연구에서는 Monte Carlo Dropout과 협력하여 딥러닝 기반 Newsvendor 모델을 사용하여 재고 관리에 대한 솔루션을 제안한다. 특정 수요 분포의 가정을 기반으로 해결되는 기존의Newsvendor 모델과 달리이 본 연구가 제안된 접근 방식은 수요 분포가 재고 최적화 과정에 관여하지 않는 접근 방식이다. 본 연구의 목표는 제안한 접근 방식이 수요 지점 예측 방법 및 기존Newsvendor모델과 비교할 때 재고 비용을 줄일 수 있음을 증명하는 것이다. 본 연구는 전일 시장에서 에너지 거래의 맥락을 바탕으로 제안된 접근 방식을 실험한다. 이 시장에서 에너지 소매 업체는 수익을 극대화하기 위해 시장에 에너지를 구매하고 전일 시장에 요청하기 위해 필요한 최적의 에너지 수량을 계산해야 한다. 이 실험에 사용된 데이터는 미국의 상업용 건물 내부의 에너지 소비 데이터이다. 본 연구의 실험 결과에서, 제안된 접근법은 기존 방법에 비해 재고 비용을 절감한다는 측면에서 우수한 성능 결과를 보여주었다. 제안된 접근 방식은 본 연구가 설정한 5개의 긴급률(critical ratio)를 통해 수요 지점 예측 방법에 비해 재고 비용을 줄일 수 있다고 입증이 되었다. 또한, 본 연구의 제안된 접근 방식은 설정한 5개의 긴급률(critical ratio)중 대부분은 정규 수요 분포를 가정하는 기존Newsvendor 모델에 비해 재고 비용을 적게 산출하였다.