پیش بینی تقاضای قطعات یدکی با استفاده از یادگیری ماشین

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

کلیدواژه ها:

پیش بینی تقاضا ، قطعات یدکی ، یادگیری ماشین ، رگرسیون بردار پشتیبان