مدل راهبردی مدیریت موجودی انبار مبتنی بر یادگیری عمیق

هدف:
ارائه یک مدل استراتژیک برای مدیریت موجودی با استفاده از یادگیری عمیق (LSTM) به منظور بهره برداری از داده های کلان صنعتی غیرخطی و کیفی که با روش های کلاسیک قابل استفاده نیستند.

روش شناسی پژوهش:
در این پژوهش، یک مدل یادگیری عمیق بر پایه حافظه بلندمدت کوتاه مدت (LSTM) طراحی شد. داده ها برای آموزش شبکه با استفاده از روش های سنتی مدیریت موجودی شامل مقدار اقتصادی سفارش (EOQ)، مقدار اقتصادی تولید (EPQ) و تحلیل ABC آماده سازی گردید.

یافته ها:
پس از ساخت و آموزش مدل، شبکه LSTM به دقت پیش بینی ۹۳ درصد دست یافت که نشان دهنده موفقیت ترکیب رویکردهای سنتی با هوش مصنوعی برای تحلیل داده های کلان در مدیریت موجودی است.

اصالت / ارزش افزوده علمی:
نوآوری این پژوهش در ترکیب روش های کلاسیک مدیریت موجودی با تکنیک های پیشرفته یادگیری عمیق نهفته است که راه حلی کاربردی برای چالش پیش بینی بر اساس داده های غیرخطی در زنجیره تامین ارائه می دهد.

کلیدواژه ها:

کنترل موجودی ، کلان داده ، هوش مصنوعی ، یادگیری عمیق ، زنجیره تامین