دانلود مقاله ISI انگلیسی شماره 26878 + ترجمه فارسی
عنوان فارسی مقاله

پیش بینی تقاضای مشتری برای طراحی محصول انتخاب اتوماسیونی و پیکر بندی روشهای پیش بینی مناسب

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
26878 2014 4 صفحه PDF 16 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Prediction of customer demands for production planning – Automated selection and configuration of suitable prediction methods
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : CIRP Annals - Manufacturing Technology, Volume 63, Issue 1, 2014, Pages 417–420

فهرست مطالب ترجمه فارسی
چکیده 
  1. مقدمه
  2. زمینه تئوریکی 
  3. طراحی تقاضا و سریهای زمانی 
  4. گزینش روش های پیش بینی
  5. سیستمهای دینامیکی و بازسازی فضای فاز 
  6. راهکار جدید برای انتخاب مدل و پیکر بندی 
  7. نحوه ایجاد پیش بینی اتوماسیونی پیشنهادی
  8. معیارهای اندازه گیری سری های زمانی مد نظر
  9. روشهای پیش بینی (برچسب های طبقه بندی)
  10. تحلیل تفکیک خطی (رده بند کننده) 
  11. مطالعه تجربی  
  12. تنظیم آزمایش 
  13. جدول 1- اعداد مرتبط با رتبه های برتر روشهای پیش بینی منحصر بفرد
  14. نتایج
  15. جمع بندی و نتیجه گیری و نگرش 
کلمات کلیدی
برنامه ریزی تولید - تشخیص الگو - مدل های پیش بینی شده -
ترجمه چکیده
طراحی تقاضا دارای یک اهمیت بارز برای شرکت های تولیدی است، چرا که مراحل بعدی طراحی محصول مبتنی بر پیش بینی تقاضا است. وظایف اصلی طراحی تقاضا شامل انتخاب یک روش پیش بینی و پیکر بندی پارامترهای آن که منبعث از تحول تقاضای درخواستی است. این مقاله به دنبال معرفی یک روش روایی برای گزینش اتوماسیونی و پیکر بندی روش های پیش بینی مناسب برای سریهای زمانی تقاضای مشتریان است. این پژوهش به دنبال یافتن همبستگی میان ویژگی های سری های زمانی پویا و پیش بینی دقت های روش های پیش بینی مختلف است. با انجام ارزیابی بر روی یک پایگاه داده متشکل از داده های واقعی صنعت، نتایج پیش بینی ممتاز مورد تایید قرار گرفت.
ترجمه مقدمه
طراحی تولید یک وظیفه مهم برای شرکتهای تولیدی است. بالاخص طراحی تقاضا که ممکن است مبتنی بر پیش بینی تقاضای مشتری در آینده باشد و پایه اصلی برای تمام مراحل طراحی زیر است. (1) اولاً از آن جایی که هیچ روش پیش بینی واحدی دارای عملکردی بهتر از تمام روشهای دیگر برای تمام نمونه های سری زمانی وجود ندارد.(2) لذا دو وظیفه اصلی در اینجا باید به آزمون گذاشته شوند. در مرحله اول، باید یک روش پیش بینی مناسب انتخاب گردد. متعاقباً، پارامترهای این روش باید با هم پیکربندی گردند تا میزان همخوانی آنها با تحول تقاضای کنونی سنجیده شود. عموماًشرکتهای تولیدی تعداد کمی از روشهای پیش بینی را برگزیده، پارامترهایشان را پیکربندی می نمایند و به مقایسه نتایج تلاشهایشان برای گزینش بهترین روش های مطلوب دست می یازند.در یک نمونه حدی، تنها از یک روش پیش بینی استفاده شده که با در نظر گرفتن یک تحول تقاضای کنونی پیکر بندی می شوند. گذشته از این احتمال دستیابی به نتایج ضعیف در مقایسه با روشهای پیش بینی دیگر بالا است. حد دیگرشامل پیکر بندی روشهای پیش بینی گوناگون برای تحول تقاضای اخیرو گزینش روشی با کمترین خطا درعمل است.این راهکار می تواند پیش بینی های صحیح تری را به ارمغان آورد.با این وجود، نیازمند دانش کارشناسی زیاد یا الگوریتمهای اتوماسیونی برای یافتن پیکر بندی های پارامتری مناسب روشهای پیش بینی کاربردی است. علاوه بر این، زمان بیشتری برای پیکر بندی روشهای پیش بینی مختلف و مقایسه نتایج پیش بینی صرف می شود. علاوه بر این تعداد رو به افزایش گونه های محصول در سالیان اخیر بیش از پیش طراحی تقاضا را پیچیده می نماید. (3). این مقاله یک رویکرد مبتنی بر داده ها را به صورت روایی برای گزینش اتوماسیونی و پیکر بندی روشهای تقاضای مناسب ارائه می کند.در ضمن،پیش بینی های معقولانه نیز به سرعت محاسبه می گردند.با استفاده از روشهای آزمون ماشین، همبستگیهای میان مشخصه های سریهای زمانی تحولات تقاضا و بررسی میزان دقت روشهای پیش بینی مختلف مورد تجزیه و تحلیل قرار می گیرند. در اینجا، معیارهای اندازه گیری تحلیل کمیتی بازگشتی علاوه بر ویژگی های سریهای زمانی معمول مورد پردازش قرار می گیرند. علاوه بر این، مطالعه شامل تعدادی روشهای پیش بینی مورد استفاده است که تحولات سریهای زمانی را به صورت محلی یا جهانی، همچنین خطی یا غیر خطی مدلسازی می کند. بعد از بنیان نهادن یک مبنای دانشی یک روش پیش بینی مناسب یرای یک سری زمانی ناشناخته از تقاضای مشتریان برگزیده شده و بطور خودکار پیکر بندی می شود. ادامه این مقاله، به ترتیب زیر پی ریزی شده است. بخش 2 یک زمینه تئوریک را ارائه می کند. این گزینش اتوماسیونی جدید و رویکرد پیکر بندی بطور مشروح در بخش 3 آمده است. بخش 4 یک ارزیابی از سریهای زمانی واقعی از رقابت M3 را توصیف می کند.جمعبندی و چشم اندازی درباره خطوط پژوهش های بعدی در بخش 5 آورده شده است.
پیش نمایش مقاله
پیش نمایش مقاله پیش بینی تقاضای مشتری برای طراحی محصول انتخاب اتوماسیونی و پیکر بندی روشهای پیش بینی مناسب

چکیده انگلیسی

Demand planning is of significant importance for manufacturing companies since subsequent steps of production planning base on demand forecasts. Major tasks of demand planning are the selection of a prediction method and the configuration of its parameters subject to a given demand evolution. This paper introduces a novel method for the automated selection and configuration of suitable prediction methods for time series of customer demands. The research investigates correlations between dynamic time series characteristics and forecasting accuracies of different prediction methods. The evaluation of the method on a database comprising real industry data confirms excellent prediction results.

مقدمه انگلیسی

Production planning is an important task for manufacturing companies. In particular, demand planning, which is premised on forecasts of future customer demands, is the main basis for all following planning steps [1]. Since no single prediction method outperforms all other methods for all cases of time series [2], two major tasks have to be fulfilled. At first, a suitable prediction method must be selected. Subsequently, the parameters of this method have to be configured to match a current demand evolution. Commonly, manufacturing companies select a few prediction methods, configure their parameters and compare the training results to select the best of the considered methods. In an extreme case, only one prediction method is selected and configured with respect to a current demand evolution. The advantage of this approach is the quick establishment of forecasting results. Nevertheless, the probability of poor results in comparison to other prediction methods is high. The other extreme is to configure various prediction methods to the current demand evolution and to select the method with the lowest training error. This approach can lead to more accurate predictions. However, it requires either a high amount of expert knowledge or automated algorithms to find appropriate parameter configurations of the applied prediction methods. Moreover, it takes much time to configure the different prediction methods and to compare the prediction results. Besides, the increasing number of product variants in recent years further complicates demand planning [3]. The paper at hand presents a novel data-driven approach for the automated selection and configuration of suitable prediction methods. Thereby, sophisticated predictions are calculated quickly. By using machine learning methods, correlations between time series characteristics of demand evolutions and the accuracies of different prediction methods are analysed. Here, measures of recurrence quantification analysis are incorporated in addition to common time series characteristics. Furthermore, the study includes several established prediction methods which model time series evolutions locally or globally as well as linear or nonlinear. After setting up a knowledge base, a suitable prediction method for an unknown time series of customer demands is selected and configured automatically. The remainder of this paper is structured as follows. Section 2 gives a theoretical background. The new automated selection and configuration approach is detailed in Section 3. Section 4 describes an evaluation on real time series data of the M3-competition [4]. Conclusions and an outlook on further research directions are given in Section 5.

نتیجه گیری انگلیسی

In this paper, a new method for the automated selection and configuration of an appropriate prediction method for time series of customer demands was proposed. This method incorporates correlations between 26 time series characteristics and forecasting accuracies of six different prediction methods. An evaluation on a real data set of 200 time series showed excellent prediction results. The proposed method performed better than the six individual methods and a benchmark method using decision trees, less features and less prediction methods. The proposed method also outperformed the more time-consuming method to train all individual methods and to select the one with lowest training error. By using the proposed method, accurate predictions were calculated with low effort of computation time. In further research, other classifiers will be applied and compared to the LDA classifier used in this paper. More individual prediction methods will be included to further improve the predictions.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.