دوره 12، شماره 45 - ( زمستان 1402 )                   جلد 12 شماره 45 صفحات 66-47 | برگشت به فهرست نسخه ها

XML Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
فهیمی محمدرضا، رجب زاده قطری علی، شعار مریم، خادمی مریم. مدل پیش‌بینی تقاضای زنجیره تأمین با تنوع محصولی بالا با استفاده از روش‌های یادگیری ماشین مبتنی بر تقویت گرادیان. فصلنامه علمی-پژوهشی اقتصاد و مدیریت شهری. 1402; 12 (45) :47-66

URL: http://iueam.ir/article-1-2087-fa.html

مدل پیش‌بینی تقاضای زنجیره تأمین با تنوع محصولی بالا با استفاده از روش‌های یادگیری ماشین مبتنی بر تقویت گرادیان
محمدرضا فهیمی، علی رجب زاده قطری*، مریم شعار، مریم خادمی
چکیده:   (745 مشاهده)
پیش‌بینی تقاضای محصولات زنجیره تأمین برای تعیین استراتژی‌ها و تصمیم‌گیری‌ها موضوعی بسیار با اهمیت و پرچالش است. با افزایش تنوع و تعداد محصولات، این چالش‌ها نیز افزایش می‌یابد. ارائه چارچوب‌ها و روش‌هایی که با وجود تنوع محصولی، تفاوت در کاربردها و ویژگی‌ها و حجم داده‌های مختلف، از انعطاف‌پذیری، دقت و مزیت‌های لازم برای پیش‌بینی همه دسته‌های محصولی برخوردار باشد، برای مدیران حیاتی است. در این راستا، دو مدل یادگیری با نظارت، XGBoost Regressor (XGBR) و Gradient Boosting Regressor (GBR)، بر روی مجموعه داده‌های Global Superstore، در سایت Kaggle پیاده‎سازی شده است. این مجموعه داده شامل 3788 محصول در سه Category محصولی متنوع، هفده Sub Category و51،290 سفارش است. حجم داده‌های محدود محصولات سبب می‌گردد پیش‌بینی بسیاری از محصولات و کسب نتیجه مناسب از روش‌ها میسر و مفید نگردد. با توجه به اینکه در این تحقیق تجربی هدف پیش‌بینی تقاضا، بکارگیری در تصمیمات استراتژیک است، رویکردی تجمیع محصولی برای این مسئله پیشنهاد شده که با توجه به مشابهت در محصولات Sub Categoryها پیش‌بینی آنها به صورت تفکیک‌شده صورت گیرد. ‌‌‌به منظور بررسی اثر میزان داده بر عملکرد مدل‌ها، داده‌های مجموعه داده‌ با استفاده از تکنیک Augmentation Data افزایش یافته و با اجرای مجدد مدل‌ها، نتایج پیش‌بینی دو مدل با هم مقایسه شده‌اند. براساس ارزیابی نتایج پیش‌بینی با داده‌های افزایش یافته با دو معیار MSE و MAE، مدل XGBR در کمترین مقدار به ترتیب به 12/0 و 10/0، و مدل GBR نیز به مقادیر 13/0 و 15/0 دست یافته است. همچنین، نتیجه معیار D2 Score در مدل XGBR در بیشترین مقدار 97/0 و در مدل GBR مقدار 96/0 است. با افزایش داده‌ها، مقادیر معیارهای اندازه‌گیری خطای به صورت چشمگیری و تا بیش از 80 درصد کاهش یافته و در داده‌های با حجم بیشتر، XGBR برتری نسبی دارد. چارچوب و مدل‌های پیشنهادی می‌تواند در صنایع با مسائل مشابه در سطح استراتژی استفاده شود.
واژه‌های کلیدی: پیش‌بینی تقاضا، تنوع محصولی بالا، XGBoost، Gradient Boosting
متن کامل [PDF 1515 kb]   (328 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: 1403/3/16 | پذیرش: 1402/12/10 | انتشار: 1402/12/10 | انتشار الکترونیک: 1402/12/10
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

این فصل نامه دارای درجه علمی - پژوهشی مصوب به شماره مجوز ۳/۵۷۸۸۱۰  از وزارت علوم ،تحقیقات فناوری است .
کلیه حقوق این وب سایت متعلق به فصلنامه علمی اقتصاد و مدیریت شهری می باشد.

استفاده از مطالب ارایه شده در این پایگاه با ذکر منبع آزاد می باشد.