با توجه به ويژگي هاي تقاضاي قطعات يدكي سبب مشكلاتي در پيش بيني اين نوع تقاضاها شده است. تعدد زياد قطعات يدكي خودرو ، رفتار تصادفي آنها در طول زمان و صفر بودن تقاضا در بسياري از پريودها پيش بيني ميزان مصرف را به يكي از بزرگترين چالش هاي پيش روي شركتهاي خودروسازي و تأمين كنندگان قطعات تبديل كرده است. مدلهاي پيش بيني سري زماني:چندين روش متفاوت به منظور مدلسازي سري هاي زماني وجود دارند. مدلهاي آماري شامل ميانگين متحرك ، هموارسازي نمايي و آريما خطي مي باشند كه در آنهاپيش بيني مقادير آينده به اين موضوع محدود شده است كه مقادير آينده توابع خطي از مشاهدات گذشته باشند. اينگونه روشها به دليل سادگي نسبي در فهم و به كارگيري ، در تحقيقات چند دهه اخير بسيار مورد توجه بوده اند. براي غلبه بر محدوديت خطي بودن مدل و به حساب آوردن الگوهاي غيرخطي مشخص در مسائل واقعي ، چندين نوع مختلف از مدل هاي غير خطي در ادبيات موضوع پيشنهاد شده استكه از جمله مهمترين آنها مي توان به اتورگرسيو شرطي (ARCH) ، دو خطي و اتورگرسيو آستانه اي (TAR) اشاره نمود. هرچند مدلهاي غيرخطي مذكور بهبودهايي در مسائل پيش بيني ايجاد نموده اند ، اما به كار گيري آنها در حالت كلي محدود مي باشد چراكه اينگونه مدلها تنها براي الگوهاي غيرخطي خاصي طراحي شده اند و قادر به مدلسازي انواع ديگر سري هاي زماني غير خطي نمي باشند. اخيرا شبكه عصبي مصنوعي به عنوان يك جايگزين مناسب جهت مدلسازي سري هاي زماني پيشنهاد شده اند. نقطه قوت اصلي شبكه هاي عصبي مصنوعي قابليت مدلسازي غيرخطي انحراف پذير آنهاست. در ادامه اين مقاله به تشريح اصول اساس فرآيند مدلسازي توسط مدل آرما و آريما پرداخته خواهد شد.
عضو شوید
عضویت سریع
آمار مطالب
آمار بازدید
