عنوان پایان‌نامه
ارائه یک مدل کارا برای پیش بینی تقاضا در صنایع با فناوری پیشرفته
- رشته تحصیلی
- مهندسی صنایع
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3302;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75997;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3302;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75997
- تاریخ دفاع
- ۰۲ شهریور ۱۳۹۵
- دانشجو
- ناصر حبیبی فر
- استاد راهنما
- محسن صادق عمل نیک
- چکیده
- در محیط رقابتی امروزی، سازمان های درگیر در یک زنجیره تامین، با ابهامات و عدم قطعیت های بسیاری در تقاضای محصولات خود روبرو می باشند که یکی از آنها پیش بینی صحیح تقاضای محصولات می باشد. تکنیک ها و رویکردهای مختلفی جهت پیش بینی تقاضا ارایه شده است. برخی از این تکنیک ها رویکردی کیفی دارند و برخی دیگر کمی. در این پژوهش از رویکردهای کمی جهت پیش بینی تقاضای محصولات استفاده شده است. رویکردی که در این پژوهش ارایه شده، ترکیبی از تکنیک های داده¬کاوی نظیر خوشه بندی و طبقه بندی با شبکه های عصبی مصنوعی می باشد. برای تکنیک خوشه بندی از الگوریتم چند میانگین و برای تکنیک طبقه بندی از روش درخت تصمیم استفاده شده است و مدل های پرسپترون چندلایه، مبتنی بر توابع شعاعی و چندجمله ای، مدل های استفاده شده شبکه عصبی می باشند. رویکرد ارایه شده در این پژوهش به پنج فاز اصلی تقسیم بندی شده است که عبارتند از: جمع آوری داده ها، آماده سازی داده ها، تفکیک داده ها، اجرای مدل ها و مقایسه نتایج. نوآوری این پژوهش در فاز تفکیک داده ها می باشد؛ در واقع ایده اصلی این پژوهش خوشه بندی داده ها پیش از ورود به مدل های شبکه عصبی می باشد زیرا در صورت خوشه بندی داده ها و اجرای مدل های شبکه عصبی برروی داده ها هر خوشه، به دلیل مشابه بودن داده های هر خوشه با یکدیگر، شبکه عصبی نسبت به حالتی که داده ها درهم هستند و خوشه بندی نشده اند بهتر می تواند ارتباط بین ورودی ها و خروجی ها را مدل نماید. جهت بررسی کارایی رویکرد ارایه شده، این رویکرد برروی دو مطالعه موردی پیاده سازی شده است. اطلاعات مورد اول از سایت کگل و اطلاعات مورد دوم مربوط به یک کارخانه داروسازی می باشد. نتایج پیاده سازی رویکرد ارایه شده بیانگر کارایی بالای این رویکرد می باشد.
- Abstract
- In today's competitive environment, organizations within a supply chain involved with ambiguities and uncertainties in demand of theirs products, one of which is correct demand forecast. Different techniques and approaches have been proposed to predict demand. Some of these techniques are qualitative and others are quantitative. In this study, quantitative approaches have been used to predict demand for products. The proposed approach is a combination of data mining techniques such as clustering and classification with artificial neural networks. K-means algorithm is used for clustering technique and decision tree is used for classification technique. For artificial neural network tree model is used: Multi-Layer Perceptron (MLP), Radial Basis Function (RBF), and Group Method for Data Handling (GMDH). The proposed method can be divided into five main phases: data gathering, data preparation, data segmentation, run models, and results comparison. The contribution of this study is in the data segmentation phase; indeed the main idea of this study is clustering data before the implementation of the models. When artificial neural network models run with clustered data, the models can map input-output relationship better than when the data not clustered because of the similarity of data within each cluster. To evaluate the effectiveness of the proposed approach, the approach is implemented on two case studies. The results showed that the proposed approach has high efficiency. Keywords: Demand Forecating, Artificial Neural Networks, Clustering, Classification
