دانشگاه سمنان

 آمار

تعداد نشریات21
تعداد شماره‌ها632
تعداد مقالات9,260
تعداد مشاهده مقاله67,743,699
تعداد دریافت فایل اصل مقاله8,157,620
شفیعی نیک آبادی, محسن, شفیعی نیک آبادی, محسن, عظیمی, سید علی. (1394). پیش بینی تقاضا در زنجیره تامین با استفاده از الگوریتم های یادگیری ماشین (مورد مطالعه: زنجیره تامین شرکت ایران خودرو). نشریه هنرهای کاربردی, 13(41), 127-136. doi: 10.22075/jme.2017.1731
محسن شفیعی نیک آبادی; محسن شفیعی نیک آبادی; سید علی عظیمی. "پیش بینی تقاضا در زنجیره تامین با استفاده از الگوریتم های یادگیری ماشین (مورد مطالعه: زنجیره تامین شرکت ایران خودرو)". نشریه هنرهای کاربردی, 13, 41, 1394, 127-136. doi: 10.22075/jme.2017.1731
شفیعی نیک آبادی, محسن, شفیعی نیک آبادی, محسن, عظیمی, سید علی. (1394). 'پیش بینی تقاضا در زنجیره تامین با استفاده از الگوریتم های یادگیری ماشین (مورد مطالعه: زنجیره تامین شرکت ایران خودرو)', نشریه هنرهای کاربردی, 13(41), pp. 127-136. doi: 10.22075/jme.2017.1731
شفیعی نیک آبادی, محسن, شفیعی نیک آبادی, محسن, عظیمی, سید علی. پیش بینی تقاضا در زنجیره تامین با استفاده از الگوریتم های یادگیری ماشین (مورد مطالعه: زنجیره تامین شرکت ایران خودرو). نشریه هنرهای کاربردی, 1394; 13(41): 127-136. doi: 10.22075/jme.2017.1731

پیش بینی تقاضا در زنجیره تامین با استفاده از الگوریتم های یادگیری ماشین (مورد مطالعه: زنجیره تامین شرکت ایران خودرو)

مدل سازی در مهندسی
مقاله 9، دوره 13، شماره 41، شهریور 1394، صفحه 127-136    اصل مقاله (834.68 K)
شناسه دیجیتال (DOI): 10.22075/jme.2017.1731
نویسندگان
محسن شفیعی نیک آبادی* 1؛ محسن شفیعی نیک آبادی* 1؛ سید علی عظیمی2
1استادیار
2ارشد
تاریخ دریافت: 09 بهمن 1395،  تاریخ بازنگری: 27 شهریور 1396،  تاریخ پذیرش: 09 بهمن 1395 
چکیده
Abstract—the purpose of this paper is to compare two artificial intelligence algorithms for forecasting supply chain demand. In first step data are prepared for entering into forecasting models. In next step, the modeling step, an artificial neural network and support vector machine is presented. The structure of artificial neural network is selected based on previous researchers' results. For measuring errors we use Mean squared error and we use another index for time which is used running the algorithms. The results show that artificial neural network can forecast more accurate meanwhile support vector machine is faster.
کلیدواژه‌ها
شبکه های عصبی مصنوعی؛ اثر شلاقی؛ پیش بینی تقاضا؛ ماشین بردار پشتیبان
عنوان مقاله [English]
Demand forecasting in a Supply Chain using Machine Learning Algorithms
نویسندگان [English]
Mohsen Shafiei Nikabadi1؛ Mohsen Shafiei Nikabadi1؛ Ali Azimi2
چکیده [English]
Abstract—the purpose of this paper is to compare two artificial intelligence algorithms for forecasting supply chain demand. In first step data are prepared for entering into forecasting models. In next step, the modeling step, an artificial neural network and support vector machine is presented. The structure of artificial neural network is selected based on previous researchers' results. For measuring errors we use Mean squared error and we use another index for time which is used running the algorithms. The results show that artificial neural network can forecast more accurate meanwhile support vector machine is faster.
کلیدواژه‌ها [English]
Artificial Neural Networks (ANN), bullwhip effect, demand forecasting, Support Vector Machine (SVM)
مراجع

 

Ayers,J.,(2000), HandBook Of chain management, APICS

[1]
Chorpa,S., and Meindl,P.,(2001) supply chain management:strategy,planning and operation, prentice hall,

[2]
Zhao, Xie and Wei,(2002) "The impact of forecast errors on early order commitment in a supply chain.," Decision Sciences, pp. 251-280,

[3]
ARMSTRONG,J.,(2001) Principles of forcasting, Kluwer Academic Publisher,

[4]
Apleydin,E.,(2010) Introduction to machine learning., MIT press,

[5]
Standler,H., and Kilger, C.,(2008) supply chain management and advanced planning concepts model and case studies, springer,

[6]
Henkoff,R.,(1994) "Delivering The Goods," fortune,

[7]
Lee,H.,  Padmanabhan,v., and Whang, S.,(1997) "The Bullwhip Effect In Supply Chains," Sloan Management Review, pp. 93-102,

[8]
کاظمی, ب.,  (1381)مدیریت تولید, تهران: دانشگاه پیام نور,

[9]
Anderson, J. A., and Rosenfeld, E.,(1988) Neurocomputing: Foundations of Research, Cambridge: MIT Press,

[10]
Burges,(1998) "Atutorial on support vector machine for pattern recognition," International conference on data mining and knowledge discovery,

[11]
Aburto,L., and Weber, R.,(2007) "Improved supply chain management based on hybrid demand forecasts," Applied Soft Computing, pp. 136-144,

[12]
Gutierreza, S. R., Solis,O. A., and S. Mukhopahyayb, (2008) "Lumpy demand forecasting using neural networks," International Journal of Production Economics, pp. 409-420,

[13]
Niu, Shi and Wu,(2012) "Short-term load forecasting using bayesian neural networks learned by Hybrid Monte Carlo algorithm," Applied Soft Computing, pp. 1822-1827,

[14]
Guanghui,W.,(2012) "Demand Forecasting of Supply Chain Based on Support Vector Regression Method," Procedia Engineering, pp. 280-284,

[15]
شهرابی, ج., وموسوی, س.,  (1387)“تحلیل تاثیر روش های متداول پیش بینی بر اثرشلاقی و پیشنهاد مدلی برای کنترل آن در زنجیره تامین,” دومین کنفرانس داده کاوی ایران,

[16]
Carbonneau,R., Laframboise, K., and Vahidov, R.,(2007) "Application of machine learning techniques for supply chain demand forecasting," European Journal of Operational Research,

[17]
Mojaveri, Mousavi, Heydar and Aminian,(2009) "Validation and Selection between Machine Learning techniques and traditional methods to reduce bullwhip effect," World Academy of Science, Engineering and Technology,

[18]
Kandananond,K.,(2012) "A Comparison of Various Forecasting Methods for Autocorrelated Time Series," International Journal of Engineering Business Management,

[19]
Hall,S.,(2012) Applied Economic Forecasting techniques, harvester,

[20]
Demuth,H and Beale, M.,(1997) Neural Network Toolbox User's Guide, Version 3.0, The Math Works, Inc,

[21]
Ali, M. M., & Boylan, E. J. (2010). On the effect of non-optimal forecasting methods on supply chain downstream demand. IMA journal of management mathematics , 23, pp. 81-89.

 

[22]

 

 

 

آمار
تعداد مشاهده مقاله: 2,423
تعداد دریافت فایل اصل مقاله: 3,448


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب