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

شرکتهای عضو زنجیره تامین جهت حذف هزینه اضافی انبارداری و نگهداری محصولات اضافی، سعی در پیش بینی تقاضای مشتریان دارند. اما اثر شلاقی، که افزایش مقدار تقاضای مشتریان با گذر از هر عضو زنجیره است، این پیش بینی را به چالش می کشد. این پژوهش بر آن است تا نسبت به کاهش پدیده اثر شلاقی از طریق پیش بینی مقدار صحیح تقاضای مشتریان، بوسیله الگوریتم های یادگیری ماشین اهتمام ورزد. در این مقاله ابتدا مفاهیم زنجیره تامین سپس علل ایجاد اثر شلاقی مطرح می شود و در ادامه روش های کاهش اثر شلاقی زنجیره تامین شرکت ایران خودرو با استفاده از پیش بینی مقدار صحیح تقاضای مشتریان و با کمک تکنیک های یادگیری ماشین (الگوریتم های شبکه عصبی، ماشین بردار پشتیبان) ارائه خواهد شد. در این روش ها با استفاده از تقاضای سابق مشتری، تقاضای آینده او پیش بینی میشود. برای مقایسه این تکنیکها به دو شاخص زمان اجرا و خطای مقدار میانگین استناد خواهد شد که استفاده از شبکه عصبی و شاخص و ماشین بردار پشتیبان برای پیش بینی تقاضا در زنجیره تامین شرکت ایران خودرو نیز استفاده از معیار زمان اجرا از نوآوری های این پژوهش محسوب می شود. نتایج بررسی موردی برای خودروهای لوگال (ال 90) پژو 206 و سمند نشان می دهد که برای تمامی نمونه ها، روش شبکه عصبی، کمترین مقدار خطا و روش ماشین بردار پشتیبان، کمترین زمان اجرا را در بین این روشها دارا می باشد.

Demand forecasting in a Supply Chain using Machine Learning Algorithms

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.