ارائه چارچوب هوشمند مدیریت موجودی مبتنی بر یادگیری ماشین و مدل سازی احتمالاتی

مدیریت موجودی در شرایط عدم قطعیت تقاضا مستلزم توجه به خطای پیش بینی و پیامدهای عملیاتی آن است. در این پژوهش چارچوب پیش بینی احتمالاتی تقاضا مبتنی بر یادگیری ماشین (PD-ML) ارائه شده که پیش بینی تقاضا را با تحلیل احتمالاتی عدم قطعیت تلفیق می کند. داده ها شامل سری های زمانی تقاضای سه مشتری طی چهار سال است که پس از پیش پردازش با DWT و EMD، به مدل MLP وارد شدند. عملکرد مدل ها ارزیابی و با آزمون ویلکاکسون اعتبارسنجی شد و مدل Wavelet MLP به عنوان مدل منتخب تعیین گردید. باقیمانده های پیش بینی استخراج و به دلیل غیر نرمال بودن توزیع آنها از بوت استرپ برای ساخت توزیع تجربی تقاضا استفاده شد. نتایج نشان می دهد چارچوب پیشنهادی PD-ML امکان محاسبه احتمال کمبود، احتمال مازاد، کسری کمبود مورد انتظار و سطح خدمت واقعی را فراهم می کند.

کلیدواژه ها:

مدیریت موجودی ، زنجیره تامین ، پیش بینی تقاضا ، یادگیری ماشین ، موجک گسسته ، تحلیل احتمالاتی