پیش بینی زمان انتظار سفارشات قطعات خودرو در زنجیره تأمین با استفاده از یادگیری ماشین(مقاله علمی وزارت علوم)
حوزه‌های تخصصی:
هدف این پژوهش بررسی عوامل موثر در پیش بینی زمان انتظار و ایجاد مدل پیش بینانه زمان انتظار سفارشات کانبان به جهت بهبود پایداری و تاب آوری در زنجیره تامین ناب می باشد. برای دستیابی به این هدف، مطالعه از روش داده کاوی پیروی می کند، مجموعه داده ها شامل 103023 مشاهده، ازسیستم کانبان واکسترانت زنجیره تامین با رعایت الزامات شاخص های کیفیت دیتاست در بازه 6/1402 تا 11/ 1402 استخراج شده است. ابتدا شاخص های موثر بر زمان انتظار سفارشات استخراج شده است و به جهت بهبود عملکرد و دقت پیش بینی، از فرآیندکاوی جهت شناسایی متغیرهای پرتکرار و تاثیرگذار در واریانت های اصلی و سپس در مرحله برازش مدل، از رویکرد تحلیل گام به گام تلفیقی جهت انتخاب ویژگی ها و از تنظیم پارامتر رویکردهای رگرسیونی ناپارامتریک استفاده شده است. مدل پیش بینانه با استفاده از مدل های رگرسیونی خطی چندمتغیره، چندمتغیره دارای انحنا، لاسو، الاستیک نت، درخت تصمیم تقویتی، جنگل تصادفی بوت استرپ، k- نزدیک ترین همسایه، شبکه عصبی تقویتی برازش داده شده است. عملکرد مدل های رگرسیونی برازش شده با استفاده از شاخص های 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 پیش بینی زمان انتظار سفارشات با دقت 96 درصد و با خطا 84/5 است. سپس قابلیت پیش بینی مدل برای دیتاهای جدید در سیستم صدور سفارشات کانبان به کار گرفته شده است، نتایج و بهبودهای حاصل از بهره گیری قابلیت های داده کاوی در سیستم کانبان همگی بیان گر تاثیر معنی دار ترکیب ابزار ناب و یادگیری ماشین به جهت توانمندسازی و تاب آوری زنجیره تامین ناب می باشد.