مدل راهبردی مدیریت موجودی انبار مبتنی بر یادگیری عمیق
محورهای موضوعی : مدیریت صنعتیحمیدرضا حاجعلی 1 , محمد علی افشار کاظمی 2 * , عادل آذر 3 , عباس طلوعی اشلقی 4 , رضا رادفر 5
1 - دانشجوی دکتری گروه مدیریت صنعتی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 - استاد گروه مدیریت صنعتی، واحد تهران مركزي، دانشگاه آزاد اسلامی، تهران، ایران (نویسنده مسئول)
3 - استاد گروه مدیریت صنعتی، دانشگاه تربیت مدرس، تهران، ایران
4 - استاد گروه مدیریت صنعتی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
5 - استاد گروه مدیریت صنعتی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
کلید واژه: کنترل موجودی, کلان داده, هوش مصنوعی, یادگیری عمیق, زنجیره تامین,
چکیده مقاله :
مدیریت انبار زیرمجموعه اي زنده از كل سازمان می تواند نيازهاي زنجيره تأمين و توزیع را دربستری هوشمند ساماندهی نماید . این مقاله با هدف مواجه با چالش های کلان داده های صنعتی بر داده هایی که بر اساس سوابق تاریخی، در امر تصمیم گیری موثر هستند ولی علارقم محتویات باارزشی که دارند، داده های خطی نیستند پدید آمده است. لذا بدیهی است توسط روش های متداول سنتی مانند سری های زمانی برای پیشبینی و تصمیم گیری مورد بهره برداری قرارنگیرند.بر این اساس، به ارائه یک مدل استراتژیك مبتنی بر تکنیکهای هوش مصنوعیِ، یادگیری عمیق حافظه بلند مدت (LSTM) ، ضمن بهره گرفتن از کلان داده های صنعتی پرداختیم که توانایی بهره مندی از داده های غیر خطی جهت پیشبینی سفارشات را امکان پذیر می سازد.همچنین از روش های مقدار اقتصادی سفارش(EOQ ) و مدل مقدار اقتصادی تولید(EPQ ) به منظور آماده سازی داده ها جهت آموزش به ماشین ؛ و برای پردازش بهتر در راستای شناسایی نقاط قوت و ضعف در مدیریت موجودی از تحلیل (ABC) نیز بهره برده شده است.یافته ها ادغام رویکرد سنتی با یادگیری عمیق را موجب بهبود عملکرد یادگیري براي وظایف پیچیده تجزیه وتحلیل کلان داده ها نشان می دهد.ارزیابی هاي فراوان، شبکه عمیق پیشنهادي به مقدار خطاي قابل قبولی رسیده است. درنهایت این مدل نتایج امیدوارکننده اي را براي پیشبینی نیازهای حوزه مربوط به کنترل میزان تولید بر اساس اهداف بخش مدیریت موجودی انبارارائه کرده است.
Inventory management as a live subset of whole organization would be organize the expectation of supply chain base on an intelligent platform. This article was created with the aim of facing the challenges of industrial big data on data which are effective in decision-making based on historical records, but are not linear data due to the valuable content they have.
As consequence, it is obvious that are not exploited by traditional methods such as time series for forecasting and decision-making. Accordingly, in this article, to present a strategic model based on artificial intelligence techniques, long short-Term Memory (LSTM), while we discussed the use of industrial big data, which enables the ability to use non-linear data to predict orders. Moreover, the methods of economic order quantity (EOQ) and economic production quantity model (EPQ) in order to prepare and training data have been used. In continue for getting better processing in order to identify strengths and weaknesses in inventory management, "ABC" analysis has also been used. The findings show that the integration of the traditional approach with deep learning method improves learning performance for complex big data analysis tasks. Many evaluations of the proposed deep network have reached an acceptable error value. Finally, this model has provided promising results for predicting expectation of fields that related to controlling amount of production based on objective in inventory management sector.
[1]Amin, Motaharinejad, Mahdi and Memarzadeh, Mahdieh (2017). Big data dictionary. Publication of Dibagaran Art Cultural Institute of Tehran.
[2]Albayrak Ünal, Ö. Erkayman, B. & Usanmaz, B. Applications of Artificial Intelligence in Inventory Management: A Systematic Review of the Literature. Arch Computat Methods Eng 30, 2605–2625 (2023).
[3]Aro-Gordon, S., & Gupte, J. (2016). Review of modern inventory management techniques. Global Journal of Business & Management, 1(2), 1-22.
[4]Duan, W., Cao, Q., Yu, Y., & Levy, S. (2013), Mining online user-generated content: using sentiment analysis technique to study hotel service quality. In 2013 46th Hawaii International Conference on System Sciences (pp. 3119-3128). IEEE.
[5]Faizi Rad, Mohammad Ali, Pooya, Alireza, Naji Azimi, Zahra, & Amir Haeri, Maryam. (1400). Forecasting demand in university reservation systems with the aim of reducing food waste using neural networks with balanced error function. Industrial Management, 13(2), 193-170.
[6]Fan.x, Lyu.x, Xiao,F, Cia.T, Ding.c(2021), Research on Quick Inventory framwork Based on Deep Neural Network, Procedia Computer Science
[7]Fischer, T., & Krauss, C. (2018). Deep learning with long short-term memory networks
for financial market predictions. European Journal of Operational Research, 270(2), 654–669.
[8]García-Barrios (2021) A machine learning based method for managing multiple impulse purchase products: an inventory management approach. J Eng Sci Technol Rev 14(1):25–37
[9]Goodfellow, I., Bengio, Y., and Courville, A. (2016). Deep Learning. MIT Press.
[10]Goodfellow, Ian J et al. (2013). “Challenges in representation learning: A report on three machine learning contests”. In: International Conference on Neural Information Processing. Springer.
[11]Kim, S.W. (2022. An investigation on the direct and indirect effect of supply chain integration on firm performance.The International Journal of Production Economics, vol. 119(2). Pp. 328-346.
[12]Kumar,A. Shankar,R. Aljohani, N. (2020)A big data driven framework for demand-driven forecasting with effects of marketing-mix variables. https://doi.org/10.1016/j.indmarman.2019.05.003.
[13]Le, J. (2018). The 5 Computer Vision Techniques That Will ChLeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278-2324.
[14]Lee, J., Kao, H. A., & Yang, S. (2014), Service innovation and smart analytics for industry 4.0 and big data environment, Procedia Cirp, 16(1), 3-8.
[15]Marr, B. (2016), Why everyone must get ready for the 4th industrial revolution /2016/04/05/why everyone must get readyfor4thindustrial revolution/#26be9e2f3f90.
[16]Mauro, D. A., Greco, M., & Grimaldi, M. (2016). A Formal Definition of Big Data Based on its Essential Features. Library Review, 65(3), 122-135. Retrieved
[17]Mayer-Schoenberger, V., & Cukier, K. (2013). Big Data: A Revolution That Will TransformHow We Live, Work and Think. John Murray
[18]Nikolopoulos, K., Punia, S., Schafers, A., Tsinopoulos, C., & Vasilakis, C. (2020). Forecasting and planning during a pandemic: COVID-19 growth rates, supply chain disruptions, and governmental decisions. European Journal of Operational Research. https://doi.org/10.1016/j.ejor.2020.08.001.
[19]punia, S. P. Singh , J. K. Madaan, (2020), A cross-temporal hierarchical framework and deep learningforsupplychainforecasting,Computers&IndustrialEngineeringhttps://doi.org/10.1016/j.cie.202.
[20]Riyazi, Hamid, Doroudian, Mahmoud, Afshar Najafi, Behrouz. (1401). Inventory control of perishable goods based on shelf space and the effect of non-goods changes along with the commitment of minimum purchase of goods. Industrial Management, 14(1), 168-194.
[21]Sanaei, Ali (2016). Fourth Industrial Revolution, Isfahan: Academic Jihad, University of Isfahan.
[22]Scheutz, M., & T, M. (2016). Combining Agent-Based Modeling with Big Data Methods to Support Architectural and Urban Design. Springer International Publishing Switzerland, 18.
[23]Shao, L., Shum, H. P., & Hospedales, T. (2020). Special Issue on Machine Vision with Deep Learning. International journal of computer vision, 128(4), 771-772.
[24]Shi, Y. (2014). Big Data: History, Current Status, and Challenges Going Forward. The Bridge, The US National Academy of Engineering, 44(4), 6-11.
[25]Smith, M. L., Smith, L. N., & Hansen, M. F. (2021). The quiet revolution in machine vision-a state-of-the-art survey paper, including historical review, perspectives, and future directions. Computers in Industry, 130, 103472.
[26]Sultani, Maryam, Khatami Firouzabadi, Seyed Mohammad Ali, Amiri, Maqsood, & Hajian Heydari, Mojtabi. (1402). A hybrid approach to integrated omnidirectional channel demand forecasting using machine learning - time series clustering with dynamic time convolution algorithm and artificial neural networks. Articles in Production and Operations Management, 14(1), 121-140. doi: 10.22108/pom.2023.136202.1485
[27]Tarabian, Zahra, 2017, Development of the green supply chain model in the conditions of uncertainty of demand for perishable pharmaceutical goods using the meta-innovative method of colonial competition, National Conference of Industrial Management and Engineering of Iran, Isfahan, https:
[28]Toomey, J. W. (2000). Inventory management: principles, concepts and techniques (Vol. 12). Springer Science & Business Media.
[29]Wamba, S., Akter, S., Edwards, A., Chopin, G., Gnanzou, D., 2015. How ‘Big Data’ Can Make Big Impact: Findings. rom a Systematic Review and a Longitudinal Case Study. International Journal of Production Economics, In: Press, http://dx.doi.org/10.1016/j.ijpe.2014.12.031.
[30]Wazan, Milad (1401). Deep Learning: From Basics to Building Deep Neural Networks with Python. Tehran: Miyad Andisheh.