Hybrydowa metoda predykcji popytu w logistyce

• Autorzy: Więcek P.

Warianty tytułu

EN

The hybrid prediction method of demand in the field of logistics

• Języki publikacji: PL

Abstrakty

PL

Powszechnie dostępne rozwiązania w zakresie prognozowania zapotrzebowania na towary ze względu na wzrastającą dynamikę rynku, rosnące wymagania klientów okazują się być niewystarczająco efektywne. Artykuł przedstawia koncepcję połączonego wykorzystania narzędzi sztucznej inteligencji a w szczególności sztucznych sieci neuronowych oraz modeli autoregresyjnych w modelowaniu i prognozowaniu struktury popytu niezależnego. Zaproponowana w pracy hybrydowa metoda predykcji została zweryfikowana w oparciu o historyczne dane profilu popytu wybranego produktu z przedsiębiorstwa logistycznego.

EN

Available classic solutions in terms of demand forecasting in the field of logistics are not sufficient enough because of the growing market dynamics and customers expectations. Therefore it is highly recommended to propose the advanced approach to demand forecasting based on hybrid method. The article presents the combined application of artificial intelligence tools especially artificial neural networks and autoregressive models to achieve better accuracy in predictions. The forecasting method proposed in the paper has been verified based on real data set from logistics enterprise.

Słowa kluczowe

PL

metoda hybrydowa; sztuczna sieć neuronowa; sztuczna inteligencja

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2015
• Tom: nr 4
• Strony: 6547--6555, CD2
• Opis fizyczny: Bibliogr. 13 poz., rys., wz.

Twórcy

autor

Więcek P.

• Politechnika Krakowska, Wydział Inżynierii Lądowej, Instytut Zarządzania w Budownictwie i Transporcie

Bibliografia

• 1. Aburto, L., & Weber, R.. Improved supply chain management based on hybrid demand forecasts. Applied Soft Computing, 7, 2007, s 136–144.
• 2. Box G.E. P., Jenkins G. M.: Analiza szeregów czasowych. Prognozowanie i sterowanie. PWN, Warszawa 1983.
• 3. Choi B.: ARMA Model Identification, Springer 1992.
• 4. Dickey, D.A., Fuller, W.A. (1979): Distribution of the Estimators for Autoregressive Time Series with a Unit Root. „Journal of the American Statistical Association”, No. 74.
• 5. Du W., Leung S., Kwong C., A multi objective optimization-based neural network model for short-term replenishment forecasting in fashion industry, Neurocomputing 151, 2015, s342–353
• 6. Efendigil T., Önüt S., Kahraman C., A decision support system for demand forecasting with artificial neural networks and neuro-fuzzy models: A comparative analysis, Expert Systems with Applications 36, 2009, s 6697–6707
• 7. Hamzacebi C., Improving artificial neural networks’ performance in seasonal time series forecasting, Information Sciences, 178, 2008, s 4550–4559
• 8. Korol T., Systemy ostrzegania przedsiębiorstw przed ryzykiem upadłości. Wolters Kluwers Business, Warszawa 2010
• 9. Milewski R., Kwiatkowski E., Podstawy ekonomii, PWN, Warszawa 2008.
• 10. Osińska M., Ekonometria Finansowa, PWE, Warszawa 2006
• 11. Rutkowski L., Metody i techniki sztucznej inteligencji, PWN, Warszawa 2005
• 12. Wang, F. 2009. Demand forecast of the Logistic park based on the Curve of growth theory, Intelligent Computing and Intelligent Systems, 2009. ICIS 2009. IEEE International Conference, Volume: 3: 57-61.
• 13. Zeliaś A., Pawełek B., Wanat S., Prognozowanie Ekonomiczne, PWN, Warszawa 2003