بکارگیری رویکرد مقایسه ای مدل های پیش بینی مبتنی بر سری زمانی در زنجیره تامین شرکت سایپا
- سال انتشار: 1396
- محل انتشار: پنجمین همایش بین المللی صنعت خودرو ایران
- کد COI اختصاصی: AUTOISAS05_037
- زبان مقاله: فارسی
- تعداد مشاهده: 437
نویسندگان
ایران، تهران،شرکت خودروسازی سایپا، کارشناس ارشد مدیریت صنعتی، کارشناس مسیول
ایران، تهران،شرکت خودروسازی سایپا، دکتری مدیریت دولتی، کارشناس مسیول
ایران، تهران،شرکت خودروسازی سایپا، کارشناس ارشد مدیریت HSE، کارشناس مسیول
چکیده
یک مبحث مهم در مدیریت زنجیره تامین، پدیده اثر شلاقی است. این مهم بیانگر افزایش تغییرپذیری تقاضا طی حرکت در طول زنجیره می باشد. در این مقاله تاثیر چندین روش کلاسیک و هوشمند در فرایند پیش بینی تقاضای متلاطم، در وقوع پدیده اثر شلاقی بررسی می شود. نتیجه این تحقیق حاکی از آن است که شبکه های عصبی در مقایسه با روش های معمول کلاسیک همچون روش هموارسازی نمایی با توجه به رفتار غیرخطی، نوسانی و حتی آشوبی تقاضای متلاطم، توان بیشتری در مدل سازی و پیش بینی این رفتار دارند. در انتهای مقاله به کمک یک مثال عددی، کاربرد بهره گیری از شبکه های عصبی در پیش بینی تقاضای متلاطم، در کاهش موفقیت آمیز پدیده اثر شلاقی به تصویر در آمده است.کلیدواژه ها
پیش بینی، مدیریت زنجیره تامین، شبکه های عصبی مصنوعی، تقاضای متلاطممقالات مرتبط جدید
- بررسی تاثیر تیم پروژه بر عملکرد مالی با در نظر گرفتن نقش میانجی موفقیت در مدیریت پروژه
- پیش بینی دمای هوا با استفاده از شبکه توابع پایه شعاعی
- پیش بینی آنلاین رسوب خاکستر در سطح گرمایشی بویلر بر اساس تحلیل موجک و رگرسیون بردار پشتیبان
- پیش بینی قیمت سکه و طلا با استفاده از یادگیری ماشین و داده های موجود در بستر اینترنت
- آینده هوش مصنوعی: فرصت ها و چالش ها
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.