PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Forecasting demand for products in distribution networks using R software

Treść / Zawartość
Identyfikatory
Warianty tytułu
Języki publikacji
EN
Abstrakty
EN
Purpose: This article addresses the issue of forecasting demand for products flowing in a distribution network conducted from the perspective of a 3PL logistics operator. Its purpose is to present a tool based on the R software, which is to be used for automatic forecasting of time series. Design/methodology/approach: The work uses the algorithm of automatic forecasting of time series implemented in the "forecast" package. The algorithm was used in a loop for different lengths of the time series to determine the best length of the series. The minimal RMSE value in the training set and in the test set were considered as optimality criteria. Findings: It is shown that the best time series length is 60 weeks in the considered case. Originality/value: The procedure for selecting the best time window length for forecasting demand for products in distribution network.
Rocznik
Tom
Strony
107--116
Opis fizyczny
Bibliogr. 13 poz.
Twórcy
autor
  • Silesian University of Technology, Faculty of Organization and Management, Zabrze
  • Silesian University of Technology, Faculty of Organization and Management, Zabrze
Bibliografia
  • 1. Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), pp. 716-723. doi:10.1109/TAC.1974.1100705.
  • 2. Bendkowski, J., Kramarz, M., and Kramarz, W. (2010). Metody i techniki ilościowe w logistyce stosowanej. Wybrane zagadnienia. Gliwice: Wydawnictwo Politechniki Śląskiej.
  • 3. Burnham, K.P., and Anderson, D.R. (2004). Multimodel inference: understanding AIC and BIC in Model Selection. Sociological Methods & Research, 33, pp. 261-304. doi:10.1177/0049124104268644.
  • 4. Dittman, P. (2000). Metody prognozowania sprzedaży w przedsiębiorstwie. Wrocław: Wydawnictwo Akademii Ekonomicznej im. Oskara Langego.
  • 5. Fligner, M.A., and Kileen, T.J. (1976). Distribution-Free Two-Sample Tests for Scale. Journal of the American Statistical Association, 71, pp. 210-213.
  • 6. Grzelak, M. (2019). Zastosowanie modelu ARIMA do prognozowania wielkości produkcji w przedsiębiorstwie. Systemy Logistyczne Wojsk, 50.
  • 7. Hyndman, R.J., and Athanasopoulos, G. (2018). Forecasting: principles and practice. Melbourne: OTexts. Retrieved from http://www.OTexts.com/fpp2, 2019.07.24.
  • 8. Hyndman, R.J., and Khandakar, Y. (2008). Automatic Time Series Forecasting: The Forecast Package for R. Journal of Statistical Software, 27, pp. 1-220. https://doi.org/10.18637/jss.v027.i03.
  • 9. Kawa, A. (2011). Konfigurowanie łańcucha dostaw. Teoria, instrumenty i technologie. Poznań: Wydawnictwo Uniwersytetu Ekonomicznego.
  • 10. Kramarz, M., and Kramarz, W. (2012). Struktura sieci dostaw - sieciowe łańcuchy dostaw wyrobów hutniczych. In: J. Pyka (Ed.), Nowoczesność przemysłu i usług - nowe wyzwania. Praca zbiorowa (pp. 300-310). Katowice: Towarzystwo Naukowe Organizacji i Kierownictwa. Oddział w Katowicach.
  • 11. Schwarz, G.E. (1978). Estimating the dimension of a model. Annals of Statistics, 6(2), pp. 461-464. doi:10.1214/aos/1176344136.
  • 12. Wojciechowski, A., and Wojciechowska, N. (2015). Zastosowanie klasycznych metod prognozowania popytu w logistyce dużych sieci handlowych. Zeszyty Naukowe Uniwersytetu Szczecińskiego, 41, pp. 545-554.
  • 13. Żebrucki, Z. (2012). Badania form partnerstwa logistycznego między przedsiębiorstwami. Gliwice: Wydawnictwo Politechniki Śląskiej.
Uwagi
PL
Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-faa200af-ed73-4dd3-817c-5bcba7c81609
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.