18622

۱۸۶۲۲

پيش بيني تقاضاي لوازم يدكي با استفاده از روش تركيبي شبكههاي عصبي و تئوري خاكستري

كارشناسي ارشد

مديريت اجرايي

فروردين ماه ۱۳۹۶

دكتر بنيادي

دكتر غضنفري

مهندسي پيشرفت

چكيده مصرف لوازم يدكي به علت هزينه‌هاي نگهداري بالا، قيمت زياد و مواردي از اين قبيل در بسياري از كارخانه‌هاي صنعتي از موارد مورد توجه و با اهميت است. بنابراين در ميان شركت‌ها تمايل به تحليل تقاضاي لوازم يدكي و تخمين مصرف آينده اين لوازم وجود دارد. به علت خصوصيت متلاطم بودن تقاضاي لوازم يدكي پيش بيني تقاضاي اين قطعات بسيار مشكل است. در اين تحقيق در ارتباط با تقاضاي لوازم يدكي متلاطم و پيش بيني آن با استفاده از يك پيش بيني كننده تركيبي توضيح داده خواهد شد. روش پيشنهادي تركيب مدل خاكستري GM(1,1) و يك شبكه‌ عصبي پس انتشار (BPNN) است. مدل خاكستري به عنوان پيش بيني كننده اصلي و از شبكه عصبي پس انتشار به عنوان اصلاح كننده مدل اصلي استفاده شده است. در جهت تاييد روش پيشنهادي نتايج بدست آمده از روش تركيبي با نتايج چند روش پيش بيني مختلف (هر كدام به تنهايي) مقايسه مي‌گردد. براي مقايسه روش‌هاي مختلف از پارامترهاي ميانگين خطا (ME) ، خطاي ميانگين مربعات (MSE) و خطاي درصد ميانگين مطلق تعديل شده (A-MAPE) استفاده شده است. نتايج حاصل شده بيانگر اندكي بهبود در پارامتر درصد ميانگين مطلق تعديل شده (A-MAPE) توسط پيش بيني كننده تركيبي پيشنهاد شده نسبت به بهترين نتايج بدست آمده قبلي است.

1396/12/20

3/11/2018 12:00:00 AM

Abstract: Spare part usage, due to high costs, storage and such expenses, is one of the important factors to consider in any industrial factory. To lower these costs, there’s a tendency among companies to analyze and forecast their spare part demands and its use in the future. Since demand characteristics are lumpy, it is not an easy phenomenal to forecast. In this study a forecasting method will be described to forecast spare part demands with lumpy characteristics. The proposed method is a combination of Grey GM (1,1) model and a back-propagation neural network (BPNN). Grey model is used as the main forecasting core and then the neural network is used to fine tune the model. To validate the proposed combined forecasting method, the results are compared separately with a few other forecasting methods. To compare the methods, parameters such as Mean Error, Mean Squared Errors and mean absolute percentage error have been utilized. Final results represent some improvements in A-MAPE parameter compared to the most accurate forecasting used before.