##common.pageHeaderLogo.altText##
Tạp chí Vật liệu và Xây dựng - Bộ Xây dựng

ISSN:

Website: www.jomc.vn

Ứng dụng các phương pháp phân tích chuỗi thời gian trong dự báo nhu cầu và lập kế hoạch sản xuất bê tông thương phẩm: Nghiên cứu điển hình tại Công ty CP Bê tông Vina 21

Nguyễn Anh Đức , Lê Thanh Bình

Tóm tắt

Cùng với quá trình đô thị hóa và phát triển hạ tầng ngày càng mạnh mẽ tại Việt Nam, nhu cầu bê tông thương phẩm gia tăng đáng kể. Tuy nhiên, bài toán dự báo sản lượng bê tông vẫn là thách thức, đặc biệt đối với các doanh nghiệp vừa và nhỏ do tính biến động theo mùa vụ và thị trường. Nghiên cứu này so sánh bốn mô hình chuỗi thời gian—Seasonal Naive, SARIMA, Holt-Winters, và Prophet—để dự báo nhu cầu bê tông hàng ngày, áp dụng trên hai kịch bản huấn luyện: (1) sử dụng dữ liệu năm 2021–2023, trong đó năm 2021 có biến động do Covid-19 và (2) chỉ lấy năm 2022–2023. Kết quả cho thấy Prophet và Holt-Winters thường cải thiện đáng kể chỉ số RMSE khi khai thác toàn bộ dữ liệu, trong khi SARIMA thường không hội tụ hoặc dự báo kém khi thêm năm 2021. Ngược lại, nếu loại bỏ 2021, SARIMA có thể hoạt động nhưng sai số tuyệt đối vẫn cao hơn so với Prophet. Nhóm tác giả cũng thảo luận ứng dụng của các mô hình trong việc lập kế hoạch sản xuất, quản lý nguyên vật liệu, và đánh giá kinh tế tại trường hợp nghiên cứu điển hình. Qua phỏng vấn lãnh đạo và cán bộ kỹ thuật, nghiên cứu khẳng định tiềm năng áp dụng mô hình dự báo dữ liệu lớn và cho thấy tầm quan trọng của việc cân nhắc những năm bất thường trong bối cảnh ngành bê tông biến động mạnh. Kết quả nghiên cứu có thể được mở rộng và áp dụng cho các doanh nghiệp sản xuất bê tông thương phẩm hoặc sản xuất vật liệu xây dựng khác.

Tài liệu tham khảo

  1. N. T. Lâm, N. N. Linh, T. V. Nam, V. D. Kiên, T. V. Khải, and P. Đ. Hiếu, “Ảnh hưởng của tro bay thay thế một phần xi măng đến tính chất của bê tông thương phẩm,” Tạp chí Khoa học Công nghệ Xây dựng (KHCNXD) - ĐHXD, vol. 14, no. 4V, 2020, doi: 10.31814/stce.nuce2020-14(4v)-09.
  2. Z. Liu, Y. Zhang, and M. Li, “Integrated scheduling of ready-mixed concrete production and delivery,” Autom Constr, vol. 48, 2014, doi: 10.1016/j.autcon.2014.08.004.
  3. R. Adamek, S. Smeekes, and I. Wilms, “Lasso inference for high-dimensional time series,” J Econom, vol. 235, no. 2, 2023, doi: 10.1016/j.jeconom.2022.08.008.
  4. N. V. Tâm, N. B. Ngọc, N. Q. Toản, and L. V. Quý, “Đánh giá ảnh hưởng của đại dịch COVID-19 đến các doanh nghiệp xây dựng quy mô vừa và nhỏ tại Việt Nam,” Tạp chí Khoa học Công nghệ Xây dựng (KHCNXD) - ĐHXD, vol. 15, no. 2V, 2021, doi: 10.31814/stce.nuce2021-15(2v)-13.
  5. K. S. Sahoo, S. Krishana, and M. Bhuyan, “Combining Block Bootstrap with Exponential Smoothing for Reinforcing Non-Emergency Urban Service Prediction,” in Proceedings - 2023 IEEE International Conference on Big Data, BigData 2023, 2023. doi: 10.1109/BigData59044.2023.10386377.
  6. Tổng cục Thống kê, Niên giám thống kê. Nhà xuất bản Thống kê, 2020.
  7. A. K. Abinesh, “Forecast of Ready Mix Concrete Operation By Neuralnetwork,” SSRN Electronic Journal, 2019, doi: 10.2139/ssrn.3509682.
  8. D. L. Danilov, “Principal components in time series forecast,” Journal of Computational and Graphical Statistics, vol. 6, no. 1, 1997, doi: 10.1080/10618600.1997.10474730.
  9. A. Gautam and V. Singh, “Parametric versus non-parametric time series forecasting methods: A review,” 2020. doi: 10.25103/JESTR.133.18.
  10. Y. Elfahham, “Estimation and prediction of construction cost index using neural networks, time series, and regression,” Alexandria Engineering Journal, vol. 58, no. 2, 2019, doi: 10.1016/j.aej.2019.05.002.
  11. E. F. Agyemang, J. A. Mensah, E. Ocran, E. Opoku, and E. N. N. Nortey, “Time series based road traffic accidents forecasting via SARIMA and Facebook Prophet model with potential changepoints,” Heliyon, vol. 9, no. 12, 2023, doi: 10.1016/j.heliyon.2023.e22544.
  12. B. Hoła, M. Topolski, I. Szer, J. Szer, and E. Blazik-Borowa, “Prediction model of seasonality in the construction industry based on the accidentality phenomenon,” Archives of Civil and Mechanical Engineering, vol. 22, no. 1, 2022, doi: 10.1007/s43452-021-00348-7.
  13. T. Moon and D. H. Shin, “Forecasting Construction Cost Index Using Interrupted Time-Series,” KSCE Journal of Civil Engineering, vol. 22, no. 5, 2018, doi: 10.1007/s12205-017-0452-x.
  14. J. Waller and E. I. Svensson, “The measurement of selection when detection is imperfect: How good are naïve methods?,” Methods Ecol Evol, vol. 7, no. 5, 2016, doi: 10.1111/2041-210X.12498.
  15. O. Trull, J. C. García-Díaz, and A. Troncoso, “Initialization methods for multiple seasonal holt-winters forecasting models,” Mathematics, vol. 8, no. 2, 2020, doi: 10.3390/math8020268.
  16. E. Ostertagová and O. Ostertag, “Forecasting using simple exponential smoothing method,” Acta Electrotechnica et Informatica, vol. 12, no. 3, 2013, doi: 10.2478/v10198-012-0034-2.