پیش بینی تقاضای قطعت یدکی با استفاده از شبکه عصبی مصنوعی

پیش بینی تقاضا یکی از مهمترین موضوعات مدیریت موجودی است و برای تصمیم گیری اثر بخش در حوزه مدیریت موجودی پیش بینی تقاضا برای دوره های آتی ضروری است. با توجه به ویژگی های تقاضای قطعات یدکی، پیش بینی مقدار زمان وقوع تقاضا برای این قطعات بسیار مشکل است. در این تحقیق تمرکز روی ویژگی ناهموار تقاضای قطعات یدکی است و از شبکه عصبی برازشی تعمیم یافته برای پیش بینی تقاضای ناهموار قطعات یدکی استفاده شده است. شبکه عصبی برازشی تعمیم یافته دارای این امتیاز بزرگ است که آموزش آن بسیار سریع بوده و تنها با یک مرتبه تکرار انجام می گیرد و همانند روش های پس انتشار خطا نیازمند آموزش تکراری نمی باشد. با استفاده از داده های واقعی تقاضای 30 نوع قطعه یدکی از مجتمع پتروشیمی اراک، نشان داده است که رویکرد مبتنی بر شبکه عصبی برازشی تعمیم سافته دارای دقت بیشتری نسبت به روش های متدوال یعنی(Croston(CR و (Syntetos&Boylan(SBA است. مقایسه دقت پیش بینی روشهای مورد بررسی با استفاده از معیارهای ارزیابی عملکرد pb, MASE ، A-MAPE انجام شده است.

کلیدواژه ها:

پیش بینی ، تقاضای ناهموار ، قطعات یدکی ، شبکه عصبی برازشی تعمیم یافته (GRNN)