| تعداد نشریات | 60 |
| تعداد شماره‌ها | 2,065 |
| تعداد مقالات | 16,647 |
| تعداد مشاهده مقاله | 44,699,939 |
| تعداد دریافت فایل اصل مقاله | 25,284,332 |
پیش بینی زمان انتظار سفارشات قطعات خودرو در زنجیره تامین با استفاده از یادگیری ماشین | ||
| مطالعات مدیریت کسب و کار هوشمند | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 29 بهمن 1403 اصل مقاله (2.64 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22054/ims.2025.80935.2491 | ||
| نویسندگان | ||
| فائزه زمانی1؛ احمد ابراهیمی* 2؛ رویا سلطانی3؛ بابک فرهنگ مقدم4 | ||
| 1دانشجوی دکتری رشته مدیریت صنعتی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران | ||
| 2استادیارگروه مدیریت صنعتی و تکنولوژی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران ، نویسنده مسئول: Ahmad.Ebrahimi@srbiau.ac.ir | ||
| 3استادیارگروه مهندسی صنایع، دانشگاه خاتم، تهران، ایران | ||
| 4دانشیار موسسه مطالعات برنامه‌ریزی و مدیریت، تهران، ایران | ||
| چکیده | ||
| هدف این پژوهش بررسی عوامل موثر در پیش‌بینی زمان انتظار و ایجاد مدل پیش‌بینانه زمان انتظار سفارشات کانبان به جهت بهبود پایداری و تاب‌آوری در زنجیره تامین ناب می‌باشد. برای دستیابی به این هدف، مطالعه از روش داده‌کاوی پیروی می‌کند، مجموعه داده‌ها شامل 103023 مشاهده، ازسیستم کانبان واکسترانت زنجیره تامین با رعایت الزامات شاخص‌های کیفیت دیتاست در بازه 6/1402 تا 11/ 1402 استخراج شده است. ابتدا شاخص‌های موثر بر زمان انتظار سفارشات استخراج شده است و به جهت بهبود عملکرد و دقت پیش‌بینی، از فرآیندکاوی جهت شناسایی متغیرهای پرتکرار و تاثیرگذار در واریانت‌های اصلی و سپس در مرحله برازش مدل، از رویکرد تحلیل گام‌به‌گام تلفیقی جهت انتخاب ویژگی‌ها و از تنظیم پارامتر رویکردهای رگرسیونی ناپارامتریک استفاده شده است. مدل پیش‌بینانه با استفاده از مدل‌های رگرسیونی خطی چندمتغیره، چندمتغیره دارای انحنا، لاسو، الاستیک‌نت، درخت تصمیم تقویتی، جنگل تصادفی بوت‌استرپ، k- نزدیک‌ترین همسایه، شبکه عصبی تقویتی برازش داده شده است. عملکرد مدل‌های رگرسیونی برازش شده با استفاده از شاخص‌های ارزیابی R^2 ، RASE و اعتبارسنجی نتایج و مدل تایید شده است. نتایج نشان داد که عوامل لجستیکی در زمان انتظار سفارشات موثر بوده و الگوریتم شبکه عصبی تقویت شده بهترین مدل در پیش‌بینی زمان انتظار سفارشات با دقت 96 درصد و با خطا 84/5 است. سپس قابلیت پیش‌بینی مدل برای دیتاهای جدید در سیستم صدور سفارشات کانبان به کار گرفته شده است، نتایج و بهبودهای حاصل از بهره‌گیری قابلیت‌های داده‌کاوی در سیستم کانبان همگی بیان‌گر تاثیر معنی‌دار ترکیب ابزار ناب و یادگیری ماشین به جهت توانمندسازی و تاب‌آوری زنجیره تامین ناب می‌باشد. | ||
| کلیدواژه‌ها | ||
| یادگیری ماشین؛ رگرسیون؛ مدیریت زنجیره تامین ناب؛ کانبان؛ زمان انتظار | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 232 تعداد دریافت فایل اصل مقاله: 121 |
||