مقاله انگلیسی تحلیل پیش بینی تقاضای کالا در شبکه زنجیره تامین
ترجمه نشده

مقاله انگلیسی تحلیل پیش بینی تقاضای کالا در شبکه زنجیره تامین

عنوان فارسی مقاله: تحلیل پیش بینی تقاضای کالا در شبکه زنجیره تامین مبتنی بر بهینه سازی الگوریتم ازدحام ذرات
عنوان انگلیسی مقاله: The analysis of commodity demand predication in supply chain network based on particle swarm optimization algorithm
مجله/کنفرانس: مجله ریاضیات کاربردی و محاسباتی - Journal of Computational and Applied Mathematics
رشته های تحصیلی مرتبط: مهندسی صنایع، مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: لجستیک و زنجیره تامین، هوش مصنوعی
کلمات کلیدی فارسی: AR-MDN ، پیش بینی تقاضای کالا، الگوریتم بهینه سازی ازدحام ذرات، شبکه زنجیره تامین، مدل ترکیب
کلمات کلیدی انگلیسی: The analysis of commodity demand predication in supply chain network based on particle swarm optimization algorithm
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus - Master Journals List - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.cam.2021.113760
دانشگاه: ـ
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2022
ایمپکت فاکتور: 2.621 در سال 2020
شاخص H_index: 124 در سال 2020
شاخص SJR: 0.876 در سال 2020
شناسه ISSN: 0377-0427
شاخص Quartile (چارک): Q1 در سال 2020
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 15
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا این مقاله فرضیه دارد: ندارد
کد محصول: E15578
رفرنس: دارای رفرنس در انتهای مقاله
فهرست مطالب (انگلیسی)

Abstract
Keywords
Introduction
Literature overview
Methodologies
Results and discussion
Discussion
Conclusion
Acknowledgment
References

بخشی از مقاله (انگلیسی)

abstract
The supply chain network model is constructed in this study based on comparison of traditional supply chain and the modern supply chain so as to solve the poor communication effect, uncirculated information, and unbalanced supply and demand in enterprises. After three algorithms and three commodity predication models are compared, a model combining with the network neural commodity demand predication method and the particle swarm optimization (PSO) algorithm is used to comprehensively evaluate the predication effect and algorithm performance by using the supply chain data of the enterprises, coming up with an optimal model. Results of the study show that: on national warehouses and regional warehouses, the difference between the predicted value and the actual value of autoregressive integrated (AR) mixture density networks (MDN) (AR-MDN) is 15%, the average outlier is between 450 and 150, the score of root mean square error (RMSE) and mean absolute percentage error (MAPE) is 117.342 and 2.334, respectively. It indicates that the fitting trend, prediction accuracy, and stability of the model are better than those of the autoregressive integrated moving average model (ARIMA) and multilayer perceptron-long short term memory (MLP-LSTM) model. Regarding determination of the stochastic requirements, the average optimal solution of the improved PSO (IPSO) is 0.45, indicating that performance of the algorithm is significantly stronger than that of the PSO algorithm and the artificial bee colony (ABC) algorithm; the comprehensive evaluation score of the combination model for the IPSO algorithm and the AR-MDN commodity prediction model is 67.41 with the optimal effect. The supply chain network model constructed in this study can provide enterprises with a good commodity demand predication method and improve their ability to respond to risks in the supply chain.

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است