Analiza efektywności wykorzystania kryteriów informacyjnych w prognozowaniu zapotrzebowania na części zamienne

• Autorzy: Rosienkiewicz M.

Warianty tytułu

EN

Efficiency analysis of information criteria application in spare parts demand forecasting

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono klasyczne metody prognozowania zapotrzebowania na części zamienne oraz nowy trend w tej dziedzinie - wykorzystanie jednej z metod sztucznej inteligencji - sztucznych sieci neuronowych SSN (Sztuczne Sieci Neuronowe; Artificial Neural Networks, ANN).

EN

The paper presents a new approach to the spare parts forecasting issue - a method which combines regression modeling, information criteria and artificial neural networks ANN. The research presented in this article compares efficiency of classical methods with the artificial intelligence tool in the scope of spare parts forecasting. Artificial Neural Networks have been advocated as an alternative to traditional statistical forecasting methods. Classical methods, such as exponential smoothing or mean average, have been used for several decades in forecasting demand. However, many of these techniques may perform poorly when demand for an item is lumpy or intermittent. In the paper three concepts of using ANN in spare parts forecasting - micro, macro and hybrid - were described. The article presents also the variable selection issue, which is of a great importance in any model building.

Słowa kluczowe

PL

logistyka; gospodarka materiałowa; części zamienne; sztuczne sieci neuronowe

EN

logistics; materials management; artificial neural networks

• Wydawca: Polskie Wydawnictwo Ekonomiczne SA
• Czasopismo: Gospodarka Materiałowa i Logistyka
• Rocznik: 2013
• Tom: nr 5
• Strony: 11--21
• Opis fizyczny: Bibliogr. 19 poz., il.

Twórcy

autor

Rosienkiewicz M.

• Politechnika Wrocławska, Instytut Technologii Maszyn i Automatyzacji

Bibliografia

• 1. J. Helman, Model realizacji zamówienia z wykorzystaniem systemu planowania zasobów przedsiębiorstwa, Gospodarka Materiałowa i Logistyka 2012, nr l, s. 18.
• 2. Chlebus, Techniki komputerowe CAx w inżynierii produkcji, Wydawnictwa Naukowo-Techniczne, Warszawa 2000, s. 71-72.
• 3. M. Gruszczyński, T. Kuszewski, M. Podgórska, Ekonometria i badania operacyjne, Wydawnictwo Naukowe PWN, Warszawa 2009, s. 115.
• 4. J.D. Croston, Forecasting and Stock Control for Intermittent Demand, Operational Research Quarterly 1972, 23 (3), s. 289-303.
• 5. A.A. Syntetos, J.E. Boylan, On the stock control performance of intermittent demand estimators, International Journal of Production Economics, 103, s. 36-47.
• 6. E. Kardas, Prognozowanie produkcji jako czynnik kształtujący poziom zapasów w przedsiębiorstwie hutniczym, Logistyka 2010, nr 4.
• 7. R. Knosala, Zastosowania metod sztucznej inteligencji w inżynierii produkcji, Wydawnictwa Naukowo-Techniczne, Warszawa 2002, s. 178.
• 8. R. Tadeusiewicz, Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami, Akademicka Oficyna Wydawnicza PLJ, Warszawa 1998, s. 23.
• 9. P. Kozik, J. Sęp, Aircraft engine overhaul demand forecasting using ANN, Management and Production Engineering Review, Vol. 3, No. 2, Czerwiec 2012, s. 21-26.
• 10. M.R. Amin-Naseri, B. Rostami Tabar, Neural Network Approach to Lumpy Demand Forecasting for Spare Parts in Process Industries, Proceedings of the International Conference on Computer and Communication Engineering 2008, May 13-15, Kuala Lumpur, Malaysia.
• 11. A. Nasiri Pour, B. Rostami Tabar, A. Rahimzadeh, A Hybrid Neural Network and Traditional Approach for Forecasting Lumpy Demand, World Academy of Science, Engineering and Technology 2008 40.
• 12. M. Rosienkiewicz, Porównanie metod Akaike i Hellwiga w zakresie efektywności konstrukcji modelu regresyjnego, Wiadomości Statystyczne 2012, nr 10.
• 13. J.E. Cavanaugh, R.H. Shumway, An Akaike Information Criterion for Model Selection in the Presence of Incomplete Data, Journal of Statistical Planning and Inference, Volume 67, Issue l, 16 March 1998.
• 14. T.W. Arnold, Uninformative Parameters and Model Selection Using Akaike's Information Criterion, Journal of Wildlife Management 74 (6): 1175-1178; 2010; DOI: 10.2193/2009-367, s. 1175-1178.
• 15. G. Schwarz, Estimating the dimension of a model. The Annals of Statistics 1978, Vol. 6, No. 2, s. 461-464.
• 16. H. Acąuah de-Graft, Comparison of Akaike information criterion (AIC) and Bayesian information criterion (BIĆ) in selection of an asymmetric price relationship, Journal of Development and Agricultural Economics Vol. 2 (1) pp. 001-006, January, 2010.
• 17. D. Ramos, J. Gonzalez-Rodriguez, Cross-entropy Analysis of the Information in Forensic Speaker Recognition, Proceedings of IEEE Oddysey, January 2008.
• 18. S. Boltz, E. Debreiwe, M. Barlaud, kNN-based high-dimensional Kullback-Leibler distance for tracking, Eighth International Workshop on Image Analysis for Multimedia Interactive Semices (WIAMIS'07), IEEE 2007.
• 19. J. Dziechciarz, Ekonometria. Metody, przykłady, zadania, Wydawnictwo Akademii Ekonomicznej im. Oskara Langego we Wrocławiu, Wrocław 2002, s. 51-52.