ارائه يك مدل تركيبي شبكه عصبي جهت پيش بيني تقاضاي متناوب قطعات يدكي (مطالعه موردي شركت هپكو اراك)

كارشناسي ارشد

مهندسي صنايع

تهران شمال

1396

تاريخ ثبت در تهران شمال شنبه 1403/8/5

صحافي شده ندارد

مهدي قسنقري

ميثم جعفري

د انشكگاه پيام نور مركز تهران شمال

مديريت موجودي ها يكي از پر دغدغه ترين كارها در هر سازمان است . عدم مديريت صحيح موجودي ها شايد منجر به از دست دادن برخي از فروش ها يا مشتريان گردد. گاهي زيان حاصل از عدم مديريت صحيح موجودي ها به 2% تا 3% فروش مي رسد . پيش بيني تقاضاي قطعات يدكي به دليل ويژگي شاخص بدون قاعده بودن ،در كانون توجه بسياري از محققان قرار دارد ودر تصميم گيري موثر كمك قابل توجهي به مديران موجودي مي كند.پيچيدگي و تاثير عوامل وپارامترها مختلف بر ميزان تقاضا سبب گرديده كه روشهاي تحليلي و رياضي كارايي لازم را در اين زمينه نداشته باشند . از اين رو در اين تحقيق در اين تحقيق تصميم گرفته شد از طريق بهبود شبكه هاي عصبي چند لايه (MLP) توسط روش تحليل مولفه هاي اساسي(PCA) و بهينه سازي ازدحام ذرات (PSO) مدلسازي و پيش بيني سري زماني تقاضاي قطعات يدكي شركت هپكو انجام شود.زيرا با استفاده شبكه هاي عصبي هيبريدي در مقايسه با مدل ساده شبكه هاي عصبي ساده و روشهاي آماري و كلاسيك نتايج دقيق تر و به عبارتي خطاي كمتري ارائه مي دهند.اهداف اين تحقيق كاربردي عبارتند از مدلسازي و پيش بيني سري زماني تقاضاي قطعات يدكي با رويكرد بهبود و توسعه روشهاي نوين شبكه عصبي مصنوعي (ANN) ، مدل سري زماني ARIMA و مقايسه دقت مدلهاي فوق با يكديگر و انتخاب مدل برتر . بدين منظور از سري داده هاي سالانه تقاضاي قطعات يدكي استفاده گرديد و داده ها از طريق پايگاه هاي داده شركت هپكوتهيه شده است . روش تحقيق حاضر كاربردي و به منظور بهبود و به كمال رساندن رفتارها و روش هاي پيش بيني تقاضاي قطعات يدكي است ..متغير هاي مستقل مورد استفاده در تحقيق عبارتند از مجموع مبلغ فروش خالص ، تعداد مشتري كه خريد كرده است،نوع فاكتور هايي كه صادر شده است و مجموع تعداد نهايي تقاضا در زمانهاي قبل و متغير وابسته نيز مجموع تعداد نهايي تقاضا در زمانهاي آتي است . بر اساس نتايج رتبه بندي مقادير ضريب همبستگي و خطا ،الگوي (0,1,5) ARIMA بعنوان بهترين الگو در بين كليه روشهاي آريما در پيش بيني تقاضاي قطعات يدكي انتخاب گرديد. مدل شبكه هاي عصبي تابع شعاع مدار( MLP ) با 4 نرون لايه ورودي و 8 نرون لايه پنهان به دليل ايجاد مقادير خطاي كمتر بعنوان بهترين مدل در بين ساير مدلها انتخاب شد و اما در بين شبكه هاي هيبريدي شبكهMLP_PSO با 4 نرون لايه ورودي و 5 نرون لايه پنهان و شبكهMLP_PSO_PCA با 4 نرون لايه ورودي و 4 نرون لايه پنهان به ترتيب داراي خطاي 0.2109 و 0.0817 بودند كه در رتبه هاي دوم و اول قرار گرفتند.همانطور كه مشاهده شد مدل پيشنهادي يعني مدل شبكه عصبي مصنوعي هيبريدي بهتر از شبكه هاي عصبي مصنوعي ساده مي باشد و دقت مدل شبكه هاي عصبي مصنوعي ساده بعتر از مدلهاي سري زماني ARIMA است و اين نشان دهنده برتري روش پيشنهادي نسبت به ساير روشها مي باشد.

76527