پیش بینی تقاضای قطعات یدکی با استفاده از یادگیری ماشین

چکیده مقاله

یکی از مسائل چالش برانگیز در بهبود عملکرد سازمان ها، بهبود زنجیره تأمین و کاهش هزینه های مرتبط با آن است از جمله راه حل های کاهش هزینه های زنجیره تأمین، افزایش دقت پیش بینی تقاضا است پیش بینی تقاضای قطعات یدکی مرتبط با خدمات پس از فروش که دارای الگوی غیرقطعی و توأم با نوسان هستند؛ به دلیل ارتباط مستقیم با رضایت مشتری، از اهمیت بالایی برخوردار است در همین راستا و با توجه به کارایی ضعیف روش های سنتی، در این تحقیق دو تکنیک پیش بینی یادگیری ماشین شامل رگرسیون بردار پشتیبان با کرنل Radial و یادگیری تلفیقی جنگل تصادفی Random forest بررسی و عملکرد آنها با معیارهای SSE,MAE,MSE ارزیابی شده اند نتایج تحقیق برای کل قطعات، نشانگر برتری روش یادگیری تلفیقی جنگل تصادفی با اندکی اختلاف بوده است بررسی مجزای دو الگوی تقاضای متناوب و متلاطم قطعات مورد بررسی، نیز نتیجه مشابهی را به همراه داشت با اینتوضیح که این روش ها خطای بیشتری در پیش بینی تقاضای قطعات متناوب در مقایسه با قطعات متلاطم داشتند

کلیدواژه‌ها

نویسندگان

مهدیه عباسپور

دانشجوی کارشناسی ارشد مهندسی صنایع دانشگاه یزد

مجید شخصی نیائی

استادیار گروه مهندسی صنایع دانشگاه یزد

محمدعلی وحدت زاد

دانشیار گروه مهندسی صنایع دانشگاه یزد

مهدی غضنفری

استاد دانشکده مهندسی صنایع دانشگاه علم و صنعت

�باسپور، مهدیه و شخصی نیائی، مجید و وحدت زاد، محمدعلی و غضنفری، مهدی،1399،پیش بینی تقاضای قطعات یدکی با استفاده از یادگیری ماشین،هشتمین همایش ملی پژوهش های مدیریت و علوم انسانی در ایران،تهران

ارائه‌شده در

مجموعه مقالات هشتمین همایش ملی پژوهش های مدیریت و علوم انسانی در ایران26 شهریور 1399 · تهران