Abstract:
مقدار تقاضا، در بسیاری از روش های مهندسی صنایع و مدیریت صنعتی، نقطه شروع برنامه ریزی می باشد. لذا تمامی برنامه ریزی های بعدی برای بنگاه اقتصادی، وابسته به مقدار تقاضای پیش بینی شده است. بنابراین، استفاده از روش های دقیقی که بتواند روند تغییرات پیچیده و غیرخطی محصولات مختلف را پیش بینی کند؛ اهمیت زیادی دارد. در این تحقیق، به شبکه عصبی به پیش بینی پرداخته شده است. در این راستا با استفاده از نقشه های خود سازمان ده شبکه عصبی، انواع خودرو از دو شاخص قیمت و کیفیت، به دو خوشه معمولی و غالب تقسیم شده اند. سپس، برای هریک از خوشه ها، یک مدل مجزا با استفاده از شبکه های عصبی، آموزش دیده و کارایی آن مورد بررسی قرار گرفته است. ورودی های این شبکه، شامل اندیکاتورهای کلان اقتصادی برای در نظر گرفتن شرایط کلی مالی و اقتصادی مردم و مقادیر قبلی تقاضا، برای در نظر گرفتن الگوی تغییرات غیرخطی تقاضا می باشد. نتایج به دست آمده از شبکه عصبی، با دو روش رگرسیون چندمتغیره و سری زمانی در دو معیار MSE سری زمانی (9674)بوده است.همچنین، مقدار
MAD مربوط به رگرسیون چندمتغیره 3754 که از مقدار سری زمانی 3875 کمتر بوده است. بنابراین، کارایی رگرسیون چندمتغیره از، سری زمانی ARIMA بالاتر بوده و قابلیت رگرسیون چندمتغیره در پیش بینی مقدار تقاضا، اثبات شده است.
Machine summary:
پیش بینی تقاضای خودرو از طریق رگرسیون چند متغیره و ARIMA خدیجه دیری1، امیر عزیزی2، معصومه زینال نژاد3 1-دانشجوی کارشناسی ارشد، مهندسی صنایع گرایش سیستم و بهره وری 2-عضو هیئت علمی دانشگاه آزاد اسلامی واحد علوم تحقیقات 3-عضو هیئت علمی دانشگاه آزاد اسلامی واحد تهران غرب چکیده مقدار تقاضا، در بسیاری از روش های مهندسی صنایع و مدیریت صنعتی، نقطه شروع برنامه ریزی می باشد.
محققان، با استفاده از روش اختیار واقعی و شبیه سازی مونت کارلو، اختیارات را بر اساس نوسانات آنها و توزیع احتمال جزء اخلال مدل، مدلسازی کرده و نتیجه گرفته اند که کارایی روش پیشنهادی نسبت به روش های اقتصادسنجی با توجه به معیارهای RMSE، MSE و MAE بالاتر ارزیابی شده است.
[17] Yamashita Multi-Branched Nn عزیزی و همکاران (2012) به بررسی تأثیر عدم قطعیت تقاضا در پیش بینی بازده صنعتی پرداخته و برای این مهم از مدل های ARIMA ترکیبی با رگرسیون چندگانه MLR استفاده کرده اند.
(به تصوير صفحه مراجعه شود) شکل4 - مقدار تقاضای واقعی و پیش بینی شده برای خوشه معمولی میزان غیرخطی بودن روند تغییرات تقاضای واقعی و قدرت برازش داده های تخمین زده شده توسط شبکه عصبی، کاملا چشمگیر است.
جدول (5) : بررسی پارامترهای معناداری مدل {مراجعه شود به فایل جدول الحاقی} بر اساس نتایج نشان داده شده در جدول (5) می توان گفت که در مورد تمامی پارامترهای معناداری، مدل های تحقیق، از نظر آماری مورد تأیید قرار گرفته است.