|
|
طراحی مدل بهینهسازی کنترل موجودی دستگاههای خودپرداز شهر تهران
|
|
|
|
|
نویسنده
|
آقا قلیزاده سیار علیرضا ,معتدل محمدرضا ,پورابراهیمی علیرضا
|
منبع
|
تحقيق در عمليات در كاربردهاي آن - دانشگاه آزاد اسلامي لاهيجان - 1399 - دوره : 17 - شماره : 2 - صفحه:47 -70
|
چکیده
|
ازآنجا که دستگاه های خودپرداز یکی از مهم ترین کانال های توزیع وجه نقد هستند، مدیریت موجودی آن ها یکی از مهم ترین وظایف بانک ها به شمار می رود. این مقاله به دنبال ارایه مدلی پویا و بهینه برای کنترل موجودی دستگاه های خودپرداز، با توجه به شرایط زمانی و مکانی دستگاه است. دستگاه های مورد بررسی 368 عدد در شهر تهران هستند و بررسی رفتار دستگاه ها در بازه زمانی سه ماهه در سال 1396 انجام گرفته که شامل 189657 رکورد می باشد. این مدل با خوشه بندی داده های آماری در بعد زمانی و مکانی موفق به یادگیری الگوی موجود در کلان داده ها شده و بر همین مبنا درخت تصمیم ارایه شده قادر به پیش بینی تعداد مراجعه کننده به هر دستگاه می باشد. سپس با شبیه سازی سناریوهای به دست آمده هزینه های سیستم مشخص می گردند تا در نهایت با بهینه سازی مدل ارایه شده برای هر سناریو، میانگین هزینه کل سیستم به میزان 12 درصد کاهش پیدا می کند.
|
کلیدواژه
|
داده کاوی، خوشهبندی میانگین کای، درخت تصمیم، شبیهسازی، بهینهسازی، الگوریتم جستجوی
|
آدرس
|
دانشگاه آزاد اسلامی واحد علوم و تحقیقات, گروه مدیریت صنعتی, ایران, دانشگاه آزاد اسلامی واحد تهران مرکز, گروه مدیریت صنعتی, ایران, دانشگاه آزاد اسلامی واحد کرج, گروه مدیریت صنعتی, ایران
|
|
|
|
|
|
|
|
|
|
|
Designing an Optimization Model for Inventory Control of ATMs in Tehran
|
|
|
Authors
|
Agha Gholizade Sayyar A. ,Motadel M. ,Pourebrahimi A.
|
Abstract
|
ATMs are one of the most important cashdistribution channels, their inventory management is some of the most important tasks of banks. This paper provides a dynamic and optimized model for managing ATM inventory, based on the time and location of the devices. The number of devices examined is 368 in Tehran, which were surveyed during the quarterly period in 2018, which includes 189657 records. This model with data clustering succeeds in learning the pattern in the data, and then the proposed decision tree can predict the number of costumers for each scenario. By simulating the obtained scenarios, the system costs are determined, and finally, by optimizing the proposed model for each scenario, the average cost of the whole system is reduced by 12%.
|
Keywords
|
Data Mining ,KMeans Clustering ,Decision Tree ,Simulation ,Optimization ,Tabu Search.
|
|
|
|
|
|
|
|
|
|
|