اطلاعیه

مقاله ترجمه شده مدل پیش بینی تقاضا با استفاده از ترکیب تحلیل داده های جانشین و رویکرد شبکه های عصبی بهینه

 دانلود رایگان مقاله بیس انگلیسیخرید و دانلود ترجمه ی مقاله انگلیسی 

کد محصول:M498

قیمت فایل ترجمه شده: ۱۱۰۰۰  تومان

تعداد صفحه انگلیسی:  ۱۳

سال نشر: ۲۰۱۳

تعداد صفحه ترجمه فارسی:   ۳۰  صفحه word

عنوان فارسی:

مقاله ترجمه شده مدل پیش بینی تقاضا با استفاده از ترکیب تحلیل داده های جانشین و رویکرد شبکه های عصبی بهینه

عنوان انگلیسی:

A demand forecast model using a combination of surrogate data analysis and optimal neural network approach

چکیده فارسی:

 بعنوان یک پیش بینی نادقیق یا دشوار از تقاضا که یکی از دلایل اصلی اثر شلاق چرمی است که به کل زنجیره تامین آسیب می رساند، ما رویکرد ریاضی حداقل طول توصیف (MDL) را توسعه داده ایم، تا بگوییم شکبه های عصبی مصنوعی بهینه (ANN) می توانند پیش بینی های دقیقی از تقاضا انجام دهند. دو نوع مشتری شبیه سازی شده و یک تقاضای واقعی برای ارزیابی توانایی روش MDL استفاده شده است. چون عوامل تصادفی پنهان در داده های تقاضا، پیش بینی را با مشکل مواجه می سازند، روش داده های جانشین برای شناسایی ویژگی های داده های تقاضا پیشنهاد شده است. این روش تقاضاهایی را که پیش بینی آنها کاملا تصادفی است، بیرون می اندازد. ما تشریح می کنیم که چگونه مدل های بهینه ای که بوسیله روش MDL تخمین زده شده اند با پویایی های داده های تقاضا که بوسیله روش داده های جانشین شناسایی شده اند، سازگار است. رویکرد کامل روش داده های جانشین و شبکه های عصبی شامل یک چارچوب قابل فهم برای پیش بینی تقاضای متغیرهاست. این چارچوب برای داده های خیلی متنوع در جهان واقعی نیز قابل بکارگیری است.

واژگان کلیدی: پیش بینی تقاضا، حداقل طول توصیف (MDL)، شبکه عصبی بهینه، عوامل تصادفی، داده های جانشین

۱.         مقدمه

عملیات زنجیره تامین تغییرات تجربی معنا داری را در خلال دهه اخیر داشته است. در زنجیره تامین، شرکتها معمولا یک استراتژی در مورد داشتن موجودی های کم در هر سطحی را قبول می کنند، که این شامل خرده فروشان فروش نهایی، به منظور کاهش هزینه های آنها می باشد. در ضمن، بخش های خرده فروش باید با شرایط عدم اطمینان ایجاد شده در زنجیره تامین مواجه شوند. تقاضای مشتریان به عدم اطمینان، و عوامل تصادفی بستگی دارد که تخین دقیق تقاضای آینده را برای عوامل درگیر در زنجیره تامین مشکل می سازد. این فرض در آینده بوسیله تقویت نوسانات که بعنوان اثر شلاق چرمی آن را می شناسیم، گسترش داده خواهد شد، و بخش های درگیر را در مدیریت موجودی بخاطر دریافت مسائل اشتباه سرگردان خواهد کرد. آشکار است، نگهداری ذخیره بیش از حد باعث تولید مازاد در سطوح بالا می گردد، چون تولید کنندگان قصد دارند که تقاضای تخمین زده شده  اضافی را جوابگو باشند. بهمین شکل، تقاضایی که کمتر تخمین زده شده باعث می شود که عوامل درگیر در بالا نتوانند به اندازه کافی تقاضای واقعی را تولید کنند. هر دوی این مسائل منجر به ناکارایی در مدیریت زنجیره تامین خواهد شد. بنابراین، چالش یک عامل درگیر در زنجیره تامین این است که مقدار مناسب بر حسب پیش بینی تقاضای درست را تعیین کند.

همان طور که اثر شلاق چرمی بعنوان یک مسئله پیش بینی وابسته به زنجیره تامین شناسایی شده است، لازم است که تکنیک های پیشرفته ای را برای پیش بینی تقاضای مشتری توسعه داده و تا حد امکان از دید تقاضای مشتریان نگاه کنیم. با این وجود، انجام یک پیش بینی تقاضا که دقیق و درست هم باشد آسان نیست و مشکل همین است که تقاضای مشتری وابسته به عوامل محیطی بی شماری است درحالیکه الگوی پنهان در پشت این تقاضاها همچنان ناشناخته است یا حداقل برای مدیران زنجیره تامین فهمیدن آن مشکل است.

در این مقاله، یک سیستم هوشمند بر مبنای شبکه عصبی بهینه- حداقل طول توصیف برای “یادگیری” الگوی پنهان شده و پیش بینی تقاضای آینده ارائه شده است. شبکه های عصبی بعنوان اولین و عمومی ترین روش پیش بینی تقاضا در مدیریت زنجیره تامین شناخته می شوند، و بویژه شبکه های عصبی چندلایه ای پیش خور قادر به تخمین هر تابع خطی و غیر خطی تحت شرایط اطمینان می باشند. با این وجود، درجه بالای آزادی در معماری شبکه های عصبی مدل سازی هر تابعی را ممکن می کند، متاسفانه، این احتمالا منتج به بیش برازش می شود.  بنابراین فرض تعیین کننده در توسعه یک شبکه عصبی، عمومی سازی شبکه است؛ با این حال، در کارهای منتشر شده این مسئله مد نظر قرار نگرفته است. یک رویکرد جدید جایگزین برای تعیین شبکه های عصبی بهینه که قابل تعمیم هم باشند ارائه شده و بعنوان شکبه های عصبی بهینه- حداقل طول توصیف برای پیش بینی تقاضا تعریف شده است.

Abstract

As rough or inaccurate estimation of demands is one of the main causes of the bullwhip effect harming the entire supply chain, we have developed a mathematical approach, the minimum description length (MDL), to determine the optimal artificial neural network (ANN) that can provide accurate demand forecasts. Two types of simulated customer and one practical demand are employed to validate the capability of the MDL method. Since stochastic factors hidden in the demand data disturb the prediction, the surrogate data method is proposed for identifying the characteristics of the demand data. This method excludes demands that are totally stochastic when forecasting. We demonstrate how optimal models estimated by MDL are consistent with the dynamics of demand data identified by the surrogate data method. The complementary approach of the surrogate data method and neural network constitutes a comprehensive framework for making various demand predictions. This framework is applicable to a wide variety of real-world data.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

Time limit is exhausted. Please reload the CAPTCHA.