مدل راهبردی مدیریت موجودی انبار مبتنی بر یادگیری عمیق

الموضوعات :

حمیدرضا 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

تاريخ الإرسال : 04 الأربعاء , جمادى الأولى, 1446 تاريخ التأكيد : 12 الأربعاء , رمضان, 1446 تاريخ الإصدار : 12 الأربعاء , رمضان, 1446

الکلمات المفتاحية: کنترل موجودی, کلان داده, هوش مصنوعی, یادگیری عمیق, زنجیره تامین,

ملخص المقالة :

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.

 

المصادر:



[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.

نص كامل:



فصلنامه مهندسی مدیریت نوین

سال ..........، شماره ........،  بهار 1404

 

مدل راهبردی مدیریت موجودی انبار مبتنی بر یادگیری عمیق

 

حمیدرضا حاجعلی¹، محمدعلی افشار کاظمی²، عادل آذر³،

عباس طلوعی اشلقی⁴، رضا رادفر⁵

 

چکیده

مدیریت انبار به‌عنوان زیرمجموعه‌ای زنده از كل سازمان می‌تواند نيازهاي زنجيره تأمین و توزیع را در بستری هوشمند نیز ساماندهی نماید. این مقاله با هدف مواجه با چالش‌های نوین کلان داده‌های صنعتی بر داده‌های غیرخطی که بر اساس سوابق کیفی تاریخی، در امر مدیریت موجودی انبار مؤثر هستند؛ لیکن علی‌رغم محتویات باارزشی که دارند، توسط روش‌های متداول کلاسیک مانند سری‌های زمانی جهت پیش‌بینی و تصمیم‌گیری مورد بهره‌برداری قرار نمی‌گیرند. بر این اساس به ارائه یک مدل استراتژیك مبتنی بر تکنیک‌های هوش مصنوعیِ، یادگیری عمیق حافظه بلندمدت (LSTM)، ضمن بهره گرفتن از کلان داده‌های صنعتی که توانایی بهره‌مندی از داده‌های غیرخطی جهت پیش‌بینی سفارش‌ها را امکان‌پذیر می‌سازد پرداختیم. همچنین از روش‌های مقدار اقتصادی سفارش (EOQ) و مدل مقدار اقتصادی تولید (EPQ) به‌منظور آماده‌سازی داده‌ها جهت آموزش به ماشین؛ وجهت پردازش بهتر در راستای سطوح اهمیت موجودی کالا؛ از تحلیل (ABC) نیز بهره برده شده است. پس از ساخت مدل LSTM و آموزش این شبکه با پارامترهای تعیین شده، در راستای هدف پژوهش، با دقت 93 درصد نتیجه رضایت بخشی حاصل گردید. یافته‌ها ادغام رویکرد سنتی با یادگیری عمیق را موجب بهبودی عملکرد آموزش ماشین جهت وظایف پیچیده تجزیه‌وتحلیل کلان داده‌ها نشان می‌دهد.

کلمات کلیدی: مدیریت موجودی، کلان داده، هوش مصنوعی، یادگیری عمیق، مدل راهبردی

 

1-مقدمه

مدیریت موجودي شامل برنامه‌ریزی، هماهنگی و کنترل فعالیت‌های مرتبط با گردش موجودی‌هاست(Toomey, 2000). نقش موجودی‌ها، نقش اصلی در موفقیت یا شکست زنجیره تأمین است. ازاین‌رو هماهنگی سطوح موجودی در سرتاسر زنجیره تأمین حائز اهمیت است(Aro-Gordon & Gupte, 2016). فضای کسب‌وکارها شاهد تحولات عمیق و اساسی شده است و بسیاری از صاحب‌نظران حوزه تجارت و اقتصاد بر این باورند که این تحولات حاکی از شروع دوره جدید یعنی انقلاب صنعتی چهارم است (Marr, 2016). چهارمین انقلاب صنعتی را با عنوان انقلاب دیجیتال نیز معرفی می‌کنند. ویژگی‌های این دوره فراگیر بودن اینترنت موبایل، حسگرهای کوچک‌تر، قوی‌تر و درعین‌حال ارزان‌تر، هوش مصنوعی و یادگیری ماشین است؛ مراکز عظیم دیتاهای غیرخطی حاصل گسترش آن‌ها است (Sanaei, 2016). لازم به ذکر است، در محیط رقابتی کسب‌وکارهای به‌ وجود آمده در این حوزه، شرکت‌ها در مواجهه با مسئله کلان ‌داده‌ها با چالش‌هایی مانند تصمیم‌گیری سریع برای چابکی سازمان خود و البته بهبود بهره‌وری روبه‌رو هستند، زیرا بسیاری از سیستم‌های تولید انبوه کلاسیک، توانایی و چابکی لازم جهت مدیریت و پاسخگویی به نیازهای ترند شده مشتریان خود را ندارند  (Lee et al, 2014). همچنین، پیشرفت دانش و فناوری باعث گسترش بی‌سابقه کسب‌وکارهای داده محور شده است. به‌طوری‌که هر سازمان در طول عمر خود با حجم زیادی از این داده‌ها روبه‌رو است، بنابراین، این نکته را باید در نظر داشت که حجم عظیم داده به یکی از مهم‌ترین منابع اطلاعاتی برای هردو طرف مصرف‌کنندگان و کسب‌وکارها تبدیل شده است .(Duan et al, 2013)

در این راستا، مقاله پیش رو با پیشنهاد مدلی راهبردی؛ اثربخشی پیاده‌سازی تکنیک‌های یادگيري عميق را در پیش‌بینی موجودي کالا مورد بررسی قرار می‌دهد. در ادامه نیز مسئله دیگری که عملکرد تجزیه‌وتحلیل کلان داده‌های غیرخطی و کیفی را در قالب آموزش به ماشین ارزیابی می‌کند. پیش‌تر نیز برای پردازش کلان داده، از یکی از زیرشاخه‌های مهم یادگیری ماشین که به‌عنوان یادگیری عمیق شناخته می‌شود استفاده گردیده است (Albayrak et al, 2023). برآیند امکانات جدیدی که هوش مصنوعی در اختیار ما جهت تحلیل کلان داده‌های غیرخطی قرار می‌دهد، موجب کشف مسیرهای استراتژیک تجاری برای سازمان‌ها می‌گردد. بدیهی است اشتباه در تعیین سطح موجودي کالا به‌سرعت منجر به از دست دادن فروش و یا افزایش هزینه نگهداري می‌گردد. مدیران ارشد مالی و اجرایی به اهمیت مدیریت موجودي کالا پی برده‌اند. اغلب مدیران اجرایی مطلع‌اند، به دست آوردن مقدار مناسب موجودي انبار ضروري است، زیرا نه‌تنها هزینه‌ها را کنترل می‌نماید بلکه معیاري براي تعیین سلامت کل سازمان است. تأمین‌کنندگان برتر قادرند سطح موجودي کالا را با بهره‌برداری از ابزارهاي تحلیلی بین 20 تا 50 درصد بهبود دهند و درنتیجه صرفه‌جویی فراوانی داشته باشند (Fischer & Krauss, 2018)

ازآنجاکه كنترل موجودي هوشمند، بسياري از قطعات و تجهيزاتي كه در انبارها بلااستفاده مانده‌اند را وارد چرخه توليد و یا فروش می‌نماید و هزینه‌های نگهداري را كاهش و نرخ سرمایه در گردش را افزایش می‌یابد، ازاین‌رو بدیهي است، پیش‌بینی نقطه بهينه ميزان موجودي كالا توان سازمان را در جهت نيل به اهداف راهبردي خود بيشتر می‌سازد. تأمین به‌موقع، به‌اندازه و با قيمت مناسب كالاهاي مورد نياز سازمان، تعيين ميزان خرید مقرون‌به‌صرفه و نگهداري مقدار بهينه از موجودي، یکپارچه كردن اطلاعات موجودي تمام انبارهاي سازمان. كنترل اصالت كالاها از زمان شروع به توليد توسط تأمین‌کننده تا تحویل به انبار، هوشمندسازي اعلام نیازها و قراردادها و ثبت سفارش‌ها، ردیابي كالاهایي كه از انبار خارج شده تا آخرین مرحله از طول عمر مصرف كالا. توزیع به‌موقع كالاها با مقدار و مشخصات معين بين درخواست‌کننده، كنترل گردش كالاها به‌منظور تضمين تاریخ انقضاي مصرف آن‌ها، كاهش اقلام دورریز برگشتي از نقاط مصرف از طریق هوشمندسازي، بررسي كارشناسي و تخصيص صحيح اقلام به مراكز تعمير درون یا برون سيستمي، كاهش هزینه‌ها از طریق كم كردن سطح موجودي انبارها و اصلاح جانمایي انبارها و همچنین افزایش نرخ سرمایه در گردش با توجه به خارج نمودن موجودي راكد از تسهيلات همه از فواید به‌کارگیری تکنیک‌های هوش مصنوعی در کنترل موجودی می‌باشند.

پیش‌بینی نيازهاي پنهان ذینفعان درواقع در ادامه فرآیند یادگيري عميق توسط خود ماشين صورت خواهد گرفت. انتظار می‌رود یادگيري عميق در گامي فراتر با در اختيارگرفتن حجم عظيم اطلاعات دقيق بتواند چه در زنجيره توزیع و چه در زنجيره تأمین ميزان كالا و حتي كيفيت و نوع كالا را هم پیش‌بینی كند. به‌طور یقين در ادامه اجراي این مدل تغيير رویکرد و انتظارات پنهان و کشف نشده مشتریان نهایي را هم قابل پیش‌بینی خواهد نمود.

این مقاله مبتني بر یکی از روش‌های یادگیری عمیق در هوش مصنوعی به نام شبکه حافظه طولانی کوتاه‌مدت LSTM⁶ صورت می‌پذیرد. برای پیش‌بینی موجودي انبار توسط كلان داده‌هاي صنعتي، با رویکرد راهبردي، ابتدا بر طراحي الگویي در زمينه شناسایي ابعاد، عناصر، مؤلفه‌ها و شاخص‌های اصلي جهت همگرایي تحليل كلان داده و پیش‌بینی نقطه بهينه سفارش انبار متمركز خواهد گردید. رهيافت و پارادایم این مقاله ضمن بررسي رویکرد اثبات گرایانه كه با نگاه از بيرون در قالب اعداد و ارقام، تئوری‌ها و معروف‌ترین مدل‌های هوش مصنوعي، با رویکرد تفسيرگرایي، از طریق تحليل روابط داده‌ای به رویداد گرایي مبتني بر معنا بخشي به واقعيات و همچنين در تعامل با موضوع مقاله، به ایجاد و توسعه فرضيات و مدل‌های تئوریکي ناشي از ساخت‌های پنهان و فرآیندها خواهد پرداخت. ازاین‌روي، با توجه به مطالب فوق، این مقاله با به‌کارگیری یک رویکرد ابتکاري هوش مصنوعی در زمینه کنترل موجودی انجام شده است. در پایان مدل رویکرد ترکیبی پیشنهادي بر روي داده‌هاي محیط واقعی پیاده‌سازی شده است.

 

۲- پیشینه تحقیق

همان‌گونه که توسط مایر و همکاران (Mayer & Schoenberger, 2013)، در مقاله‌ای عنوان شد، تعریف رسمی و دقیق از کلان داده وجود ندارد (Mayer-Schoenberger & Cukier, 2013)  شی(Shi, 2014)، کلان داده را به دلیل پیچیدگی، تنوع و نامتجانس بودن برای پردازش و تحلیل در زمانی معقول، دشوار معرفی کرد درعین‌حال که معتقد بود کلان داده از نگاه سیاست‌گذاران بسیار باارزش و منبعی راهبردی و کلیدی جهت رهبری تحول در عصر فناوری و پیش رو بودن در نوآوری می‌تواند باشد (Shi, 2014) بعدها صنایعی (Sanaei, 2016) در مقاله خود بر این عقیده بود که کلان داده عامل اکتشافات اصول و روابطی است که تنها با وجود مجموعه داده‌های بزرگ میسر خواهند بود. در ادامه مارو و همکاران(Mauro et al, 2016) چنین یافتند که کلان داده شامل اطلاعاتی است که به‌واسطه تنوع داده‌ها، حجم و سرعت تغییر آنها، برای ارزشمند شدن نیاز به ابزارهای فناورانه و روش‌های تحلیلی خاص دارد.

در مرحله برنامه‌ریزی مدیریت انبارهای گسترده، کلان داده، نقش حیاتی دارد زیرا کمک زیادي به شرکت‌ها براي تصمیم‌گیری استراتژیک در زمینه منبع­یابی، طراحی شبکه زنجیره تأمین و همچنین طراحی و توسعه محصول می‌کند. همچنین در مرحله عملیات زنجیره تأمین، کلان داده، به تصمیم‌گیری در عملیات زنجیره تأمین کمک می‌کند مثل برنامه‌ریزی تقاضا، تدارکات، تولید، موجودي انبار و حمل‌ونقل (Wamba et al, 2016) اصطلاح «کلان ‌داده‌ها» به مجموعۀ داده‌هایی اطلاق می‌شود که ازنظر سرعت، حجم و تنوع در سطح بالایی هستند و با تکنیک‌ها و ابزارهای سنتی پردازش نمی‌شوند. در حال ‌حاضر، کلان‌ داده‌ها همه‌جا هستند، چه به‌شکل داده‌های ساخت‌یافته، مانند پایگاه داده‌های سنتی سازمان (مثلاً سیستم مدیریت ارتباط با مشتری) یا داده‌های بدون ساختار که فناوری‌های جدید ارتباطی و بسترهایی هستند که کاربر می‌تواند آنها را توسعه دهد یا ویرایش کند؛ مثلاً متون، تصاویر و فیلم‌ها  .(Motaharinejad et al, 2017)

در ساده‌ترین حالت، یادگیری عمیق را می‌توان راهی برای خودکارسازی تجزیه‌وتحلیل پیشگویانه در نظر گرفت (Wazan, 2022). یادگیری عمیق یک زیرشاخه خاص از یادگیری ماشین است، برداشتی جدید از بازنمایی‌های یادگیری از داده‌ها که بر یادگیری لایه‌های متوالی به‌طور فزاینده تأکید دارد(Shao,2020). اکثر الگوریتم‌های یادگیری ماشین حاوی فراپارامترهایی هستند که باید بیرون از خود الگوریتم یادگیری و با استفاده از داده‌های اضافی تعیین گردند. یادگیری ماشین در واقع نوعی از آمار کاربردی است که در آن، تمرکز بیشتری بر استفاده از رایانه برای تخمین توابع پیچیده و تمرکز کمتری بر روی اثبات فواصل اطمینان حول این توابع صورت می‌گیرد (Tarabian, 2017). اسمیت و همکاران (Smith et al, 2021) بر این عقیده هستند که یادگیری عمیق شامل مجموعه‌ای از مدل‌های یادگیری ماشینی است که در دو حالت یادگیری با ناظر و بدون ناظر در معماری سلسله مراتبی عمیق قرار می‌گیرند. در واقع، در شبکه‌های عصبی یادگیری با ناظر (طبقه‌بندی) ورودی، خروجی را طبقه‌بندی کرده و بر اساس داده‌های قبلی که برچسب دار هستند می‌توان داده‌های جدید را پیش‌بینی کرد (Smith et al, 2021). هدف یادگیری عمیق این است که ویژگی‌های یادگیری سلسله مراتبی سطح بالا را از ویژگی‌های سطح پایین یاد بگیرد، یعنی در لایه‌های ابتدایی ویژگی‌های ساده مثلاً لبه‌ها و خط‌ها و در ویژگی‌های میانی گوشه‌ها، لبه‌ها و سپس به ترتیب ویژگی‌های سطح بالاتر یاد گرفته شود (Goodfellow et al, 2013) اکثر روش‌های یادگیری عمیق از معماری شبکه عصبی استفاده می‌کنند، به همین دلیل اغلب از مدل‌های یادگیری عمیق به‌عنوان شبکه عصبی عمیق یاد می‌شود. اصطلاح «عمیق» معمولاً به تعداد لایه‌های پنهان در شبکه عصبی اشاره دارد. شبکه‌های عصبی سنتی تنها شامل ۲ تا ۳ لایه پنهان هستند، درحالی‌که شبکه‌های عصبی عمیق می‌توانند تا ۱۵۰ لایه داشته باشند. مدل‌های یادگیری عمیق با استفاده از مجموعه‌های بزرگی از داده‌های برچسب‌گذاری شده و معماری شبکه عصبی، آموزش داده می‌شوند که ویژگی‌ها را مستقیماً از داده‌ها، بدون نیاز به استخراج ویژگی به‌صورت دستی، یاد می‌گیرند ((Goodfellow et al, 2016 در مقاله‌ای بر این باورند که ارائه و حل یک مدل ریاضی به‌منظور کنترل موجودی متناسب با فضای صنعت، در راستای کمینه‌کردن هزینه‌های موجودی و به‌دست‌آوردن مقدار بهینه سفارش ضروری است و توجه به فضای قفسه برای کنترل موجودی کالاهای فسادپذیر، بدون در نظر گرفتن فضای انبار امر مرسومی است .(Riyazi et al, 2022)  آنها با این هدف که در کنار توجه به فروش کالای پُرسودتر و عقد قرارداد حداقل تعهد خرید کالا با تأمین‌کنندگان، به‌نحوی‌که هزینه کل دوره سفارش‌گذاری بهینه شود، به انجام این مقاله پرداختند و مدلی برای کنترل موجودی با محدودیت‌های جدید ارائه کردند. همچنین در فرایند حل مسئله، برای به‌دست‌آوردن جواب بهینه، از الگوریتم بهینه‌سازی ازدحام ذرات به کمک نرم‌افزار متلب و برای پیش‌بینی تقاضا، از سری زمانی در نرم‌افزار مینی‌تب استفاده کرده در مقاله‌ای نیز بر این باورند، پذیرش کانال‌های آنلاین و تجارت الکترونیک، به تغییرات مداوم و پویا در صنعت خرده‌فروشی منجر شده که یک توسعۀ اجتناب‌ناپذیر است و بسیاری از شرکت‌ها را با چالش انتخاب مناسب‌ترین کانال‌ فروش، برای ارائۀ یک تجربۀ یکپارچه به مشتریان خود مواجه کرده است. خرده‌فروشی همه‌‌جانبۀ یکپارچه، با مفهوم ادغام همۀ کانال‌ها، ضمن ایجاد تجربۀ مذکور، باعث افزایش پیچیدگی فرآیندهای پیش‌بینی و برنامه‌ریزی می‌شود ( Sultani et al, 2023(.

فیاضی و همکاران (Faizi Rad et al, 2021) در مقاله‌ای برای پیش‌بینی تقاضا در سیستم‌های رزرواسیون دانشگاهی با هدف کاهش ضایعات مواد غذایی به کمک شبکه‌های عصبی، جهت پیش‌بینی تقاضای واقعی، از شبکه عصبی مصنوعی با تابع خطای موزونی که به کمک جست‌وجوی الگوی تعمیم‌یافته جهت‌دهی می‌شود، استفاده شد. شاخص‌های مجموع رزرو، روز هفته، سطح قیمت وعده، مجموع تعداد رزرو، تعداد رزرو به تفکیک مقطع تحصیلی، تعداد رزرو به تفکیک وضعیت اسکان و غذای مجاور به‌عنوان متغیرهای ورودی و تعداد تقاضای واقعی غذا نیز شاخص خروجی در نظر گرفته شد. آنها داده‌های هفت سال اخیر سامانه رزرواسیون سلف مرکزی یکی از دانشگاه‌های بزرگ کشور که سالانه به‌طور متوسط پتانسیل تولید ۵۶ هزار پرس غذای مازاد (بیش از ۲۳ هزار تن مواد غذایی) را دارد، بررسی کردند. با آموزش یک شبکه عصبی مصنوعی و الگوریتم ترکیبی با تابع خطای موزون متناسبی را به‌دست آوردند که قادر است تولید روزانه غذای مازاد را بیش از ۸۰ درصد کاهش دهد. 

توجه همزمان به زمان و میزان سفارش کالا و به حداقل رساندن سیستم و هزینه‌های مشتری از دغدغه‌های اصلی مدیریت موجودی است. پونیا و همکاران (Punia et al, 2020) در مقاله خود با عنوان «یک چارچوب سلسله مراتبی زمانی و یادگیری عمیق برای پیش‌بینی زنجیره تأمین»، یک چارچوب پیش‌بینی زمانی جدید که به شکل سلسله مراتبی است، برای تولید پیش‌بینی‌های منسجم تمام سطوح زنجیره تأمین خرده‌فروشی پیشنهاد کرده‌اند. آنها در ابتدا با استفاده از روش پیش‌بینی پایه (شبکه‌های LSTM) پیش‌بینی‌های مستقیم (مجموع ۱۱۰ سری) انجام داده و برای همین تعداد از سری‌های زمانی، پیش‌بینی‌ با استفاده از چارچوب سلسله مراتبی زمانی را محاسبه کردند. سپس ARMAE و ARMSE و ARMAPE را برای پیش‌بینی‌های کوتاه‌مدت، میان‌مدت و بلندمدت محاسبه و به این نتیجه رسیدند که پیش‌بینی‌های چارچوب پیشنهادی به‌طور قابل‌توجهی بهتر از پیش‌بینی‌های مستقیم هستند. علاوه بر این، بهبودها در سطوح مقطعی و زمانی زنجیره تأمین معنادار و ثابت هستند. علاوه بر این، مشاهده شد که پیش‌بینی‌های پایین به بالا نسبت به پیش‌بینی‌های بالا به پایین، زمانی که از داده‌های نقطه‌ای فروش برای پیش‌بینی در زنجیره تأمین خرده‌فروشی آنلاین و آفلاین استفاده می‌شود، دقیق‌تر هستند.

نیکولوپولوس و همکاران (Nikolopoulos et al, 2020) در مقاله خود با عنوان «پیش‌بینی و برنامه‌ریزی در طول یک بیماری همه‌گیر: نرخ رشد کوید 19, اختلالات زنجیره تأمین و تصمیمات دولتی» با استفاده از داده‌های ایالات‌ متحده، هند، بریتانیا، آلمان و سنگاپور تا اواسط آوریل ۲۰۲۰، نرخ رشد کوید ۱۹ را با مدل‌های آماری، اپیدمیولوژی و یادگیری عمیق پیش‌بینی و یک روش جدید پیش‌بینی ترکیبی بر اساس نزدیک‌ترین همسایه‌ها و خوشه‌بندی پیشنهاد کردند. در ادامه با استفاده از داده‌های کمکی (روند گوگل) و شبیه‌سازی تصمیمات دولتی، تقاضای اضافی محصولات و خدمات در طی این بیماری همه‌گیر پیش‌بینی می‌شود. نتایج تجربی آنها به سیاست‌گذاران و برنامه ریزان کمک کند تا تصمیمات بهتری را طی دوران بیماری همه‌گیر اتخاذ کنند.

فان و همکاران (Fan et al, 2021)، در مقاله خود با عنوان «تحقیق در مورد چارچوب موجودی سریع بر اساس شبکه‌های عصبی عمیق»، فناوری هوش مصنوعی برای موجودی مربوط به قفسه‌های کتاب بر اساس شبکه عصبی عمیق پیشنهاد دادند. این چارچوب از برچسب‌های بارکد و عکس‌ها یا جریان‌های قفسه برای درک موجودی و مرتب‌سازی مؤثر کتاب‌ها استفاده می‌کند. در مقایسه با سیستم موجودی‌ای که از فناوری RFID استفاده کردند. حاصل یافته‌های آنها این بود که این فناوری دارای مزیت‌هایی همچون هزینه پیاده‌سازی پایین و سرعت بالا است. فناوری موجودی مبتنی بر شبکه عصبی عمیق تنها نیازمند نصب برنامه موجودی بر روی یک سرور است. سپس، کتابداران از قفسه کتاب با تلفن یا دوربین عکس می‌گیرند و عکس‌ها را به برنامه آپلود می‌کنند. همچنین، فناوری آماربرداری مبتنی بر شبکه عصبی عمیق می‌تواند عکس‌های قفسه را برای دوره‌های طولانی حفظ کند و در صورت نبود کتاب، کتابداران می‌توانند با بازیابی تصاویر، کتاب‌های گم‌شده را بررسی کنند. 

فیچر و کراس (Fischer& Krauss, 2018)، در مقاله خود با عنوان «یادگیری عمیق با شبکه‌های حافظه بلندمدت برای پیش‌بینی‌های بازار مالی» با استفاده از شبکه‌های LSTM، روش جنگل تصادفی، یک شبکه عصبی عمیق (DNN) و یک رگرسیون لجستیک، الگوهای مشترکی را در سهام برتر و شکست‌خورده استخراج می‌کنند و منابع سودآوری را آشکار می‌سازند. نهایتاً یک استراتژی ساده تجاری را بر اساس این یافته‌ها توسعه می‌دهد. این مقاله از دسامبر ۱۹۹۲ تا اکتبر ۲۰۱۵، شبکه‌های حافظه بلندمدت را به یک وظیفه پیش‌بینی بازار مالی در مقیاس بزرگ اعمال می‌کند و روی کاربرد تجربی بزرگ مقیاس شبکه‌های LSTM در وظایف پیش‌بینی سری‌های زمانی مالی تمرکز دارد.

کومار و همکاران (Kumar et al, 2020)، در مقاله خود برای پیش‌بینی تقاضامحور با تأثیر متغیرهای آمیخته بازاریابی و با هدف بهبود دقت پیش‌بینی تقاضا، یک مدل شبکه عصبی مبتنی بر انتشار معکوس با ورودی‌های فازی آموزش می‌دهند و با روش‌های پیش‌بینی معیار بر روی داده‌های سری زمانی با استفاده از داده‌های تقاضای تاریخی و فروش در ترکیب با اثربخشی تبلیغات، هزینه و تبلیغات مقایسه می‌کنند. تحلیل آماری انجام‌شده و آزمایش‌ها نشان می‌دهد که روش استفاده‌شده در چارچوب پیشنهادی در بهینگی، کارایی و سایر معیارهای آماری بهتر عمل می‌کند. در نهایت، برای بهبود دقت پیش‌بینی شبکه‌های عصبی فازی، توسعه برنامه‌های بازاریابی برای محصولات و بحث در مورد پیامدهای آن‌ها در زمینه‌های مختلف، دیدگاه‌های ارزشمندی برای مدیران ارائه می‌کند. 

کیم و همکاران (Kim et al, 2022)، در مقاله خود با عنوان «چارچوب پیش‌بینی مبتنی بر 2D KDE و LSTM برای مدیریت موجودی مقرون‌به‌صرفه در تولید هوشمند» بر این باورند، در اغلب شرکت‌های کوچک و متوسط، مدیریت سیستماتیک داده‌ها وجود ندارد و به دلیل فقدان داده‌ها و نوسانات داده‌های تصادفی، پیش‌بینی مدل‌ها به‌خوبی کار می‌کند. ازآنجاکه مدل پیش‌بین یک تابع اصلی مشتق ‌شده از مدیریت داده‌های موجودی شرکت است، عملکرد ضعیف مدل موجب تخریب سیستم مدیریت داده‌های موجودی شرکت می‌شود. آنها در مقاله خود چارچوبی برای پیش‌بینی قابل‌اطمینان داده‌های موجودی یک شرکت با مدل‌سازی نوسانات یک شرکت به‌صورت تصادفی ارائه کرده‌اند و چارچوب پیش‌بینی را با استفاده از مدل پیش‌بینی نقطه‌ای با استفاده از LSTM (حافظه کوتاه‌مدت بلندمدت)، تابع چگالی کرنل سه‌بعدی و نتایج پیش‌بینی هزینه مدیریت موجودی بررسی کردند. با انجام آزمایش‌های مختلف، ضرورت پیش‌بینی فاصله در پیش‌بینی تقاضا و اعتبار مدل پیش‌بینی مؤثر هزینه از طریق تابع readjustment نشان داده شده ‌است. حاصل یافته‌های آنان، قابلیت اطمینان نتایج پیش‌بینی را تضمین می‌کند و الگوریتم توسعه یافته در این مقاله، اثر صرفه‌جویی هزینه را با احتمال ۹۸.۸۷ درصد در آزمایش داده‌های واقعی نشان داد. 

۳- روش تحقیق

جهت تحقق اهداف این مقاله از شبکه عصبی حافظه‌ی کوتاه‌مدت طولانی (LSTM) که نوعی خاص از شبکه عصبی بازگشتی (RNN) محسوب می‌شود استفاده شده است. علت استفاده از LSTM به‌منظور جلوگیری از مشکل وابستگی طولانی‌مدت در شبکه است. رویکرد مقاله، از نوع روش‌شناسی / رهيافت كمي كيفي یا تركيبي خواهد بود، لذا لازم است هر دو نوع داده كمي و كيفي جمع‌آوری شود. تحليل داده‌هاي كيفي برگرفته از پيشينه كاوي، پس از كدگذاري بر اساس علم آمار و تحليل داده‌هاي كمي با استفاده از روش یادگيري عميق از حوزه یادگيري ماشين، براي پاسخ به سؤالات، مورد استفاده قرار می‌گیرد. استفاده از روند هم‌زمانی، جهت همگرایي اطلاعات كمي و كيفي جمع‌آوری شده، مد نظر است. این مقاله با استفاده از زبان برنامه‌نویسی پایتون در محیط کولب نوشته و اجرا می‌شود. جهت پیاده‌سازی شبکه‌های عصبی و مدل‌سازی داده‌ها از کتابخانه pandas جهت کار با مجموعه داده‌ها و عملیات مختلف، کتابخانه numpy جهت کار با آرایه‌ها و محاسبات مختلف و عملیات ماتریسی، کتابخانه seaborn جهت مصورسازی داده‌ها، کتابخانه matplotlib جهت نمایش داده‌ها به‌صورت گرافیکی و هم‌چنین از کتابخانه scikit learn که یکی از معروف‌ترین و پرکاربردترین کتابخانه‌های داده‌کاوی و یادگیری ماشین در پایتون است، جهت استفاده از الگوریتم‌های پیش‌پردازش، طبقه‌بندی، خوشه‌بندی و کاهش ابعاد مورد استفاده قرار می‌گیرد. نهایتاً از imblearn برای کار با داده‌های نامتوازن و کتابخانه os جهت تعامل با سیستم استفاده خواهیم کرد. همچنین جهت ارزیابی مجموعه داده‌ها از نمودارهای متغیر عددی با تخمین چگالی هسته و هیستوگرام استفاده خواهد شد و نتایج با استفاده از ماتریس اغتشاش ارائه خواهد گردید.

این مقاله طی مراحل زیر انجام شده است:

مرحله اول: بررسی و مطالعه فرآیند زنجیره تأمین و چالشهاي موجود براي تهیه محصولات مورد نیاز بازار با توجه به شرایط و میزان فروش.

مرحله دوم: داده های آموزشی برای پیش بینی محبوبیت  و میزان فروش محصول بسیار مهم هستند. از این رو، ما باید اطلاعات با کیفیت بالا را جمع آوری کنیم. همچنین می­توانیم به طور منظم اطلاعات سفارش محصول را از فروشگاه ها جمع آوری کنیم. این اطلاعات می توانند مستقیما برای منعکس کردن توزیع نیازهای مشتری به میزان معینی مورد استفاده قرار گیرند.

جهت انجام این مقاله  و ارزیابی رویکرد پیشنهادی از مجموعه داده های موجود در سایت کگل (kaggel) که در خصوص یک پایگاه داده به تعداد ۳۹۷۸۴رکورد بوده استفاده شده که مربوط به کنترل موجودی یک خرده فروشی است و  برای استفاده در پروژه های تحقیقاتی در اختیار عموم پژوهشگران قرار داده شده ، استفاده گردیده است. لازم به ذکر است این مجموعه داده در تاریخ 13 اکتبر 2023 بروزرسانی شده است. به طور کلی، از این مجموعه داده می توان برای تجزیه و تحلیل و مدیریت موجودی محصولات مختلف استفاده کرد. اطلاعاتی در مورد تاریخچه فروش، میزان سفارش ،هزینه نگهداری ،هزینه فرصت ،هزینه سفارش ،قیمت کالا،نوع بازاریابی، جزئیات انتشار، فواصل تکرار نوع بازار، فواصل تکرار نوع محصول، فواصل تکرار شونده محصول جدید، فواصل تکرار نوع محصول و وضعیت محصولات فعال  ارائه می دهد. برای اجرای مدل ۸۰درصد دادگان جهت آموزش و ۲۰درصد برای تست مدل در نظر گرفته شده است. رویکرد اتخاذ شده به شدت به ماهیت، کمیت و کیفیت داده‌ها موجود وابسته است، بنابراین ارزیابی داده‌ها و انتخاب داده‌هایی که دارای کیفیت مطلوب باشند، یک مرحله مهم و اساسی به‌حساب می‌آید. شکل زیر روند کلی طرح پیشنهادی و گام‌های اجرا را نمایش می‌دهد.

 

شکل 1: جریان کلی رویکرد پیشنهادی

مرحله سوم: پیش پردازش داده ها و نرمالسازی داده ها جهت مدلسازی رویکرد پیشنهادی گامی مهم به شمار می آید از این رو، در این مرحله اختلالات پیش پردازش داده ها در راستاي حذف داده هاي پرت و غیر نرمال، حذف و انتخاب ویژگیهای موثر میباشد که قبل از پیاده سازي مدل باید انجام شود

مرحله چهارم: رویکردهای سنتی کنترل موجودی با تکنیک های یادگیری عمیق ترکیب می شوند تا داده های جدید جهت پیش بینی به شبکه پیشنهادی تزریق شوند. در راستای اهداف این پژوهش، ابتدا از دو تکنیک کنترل موجودی EOQ و EPQ  برای ایجاد یک طبقه‌بندی باینری استفاده می کنیم تا لیستی از شناسه محصول را داشته باشیم و موجودی یا لیست محصولاتی که باید حذف شوند، نگهداری شوند. سپس با محاسبه درصد تجمعی محصولات فروخته شده، تجزیه و تحلیل ABC با استفاده از اصل پارتو صورت می گیرد.

 

شکل 2: دیاگرام مربوط به روند دیتاسازی

 

مرحله پنجم: مرحله پنجم : پیاده سازي مدل و اجرای رویکرد پیشنهاد شده. ازآنجاکه پیدایش هوش مصنوعی و تکنیک‌های یادگیري عمیق، به‌عنوان رویکردي نوین، پتانسیل بالایی در کاربردهاي مختلف ارزیابی و تحلیل از خود نشان داده است، جهت پیش‌بینی موجودی کالا از شبکه عصبی LSTM استفاده می‌کنیم. دلیل انتخاب این دو شبکه قابلیت یادگیری وابستگی‌های طولانی‌مدت است. مراحل انجام کار با استفاده از دیتاستی که هم شامل داده‌های تاریخی فروش و هم موجودی حاضر هستند، انجام شده است.

 

شکل 3: دیاگرام روند پیاده‌سازی رویکرد پیشنهادی

مرحله ششم: عملکرد مدل پیشنهاد شده با روشهاي ارزیابی بررسی میشود. دقت و کارایی رویکرد پیشبینی محاسبه می گردد ،ومعمولا مقایسات داراي نتایج معناداري خواهند بود. جهت پیش‌پردازش داده‌ها، نقاط پرت تک متغیره را برای تجزیه‌وتحلیل نقاط پرت در ویژگی‌های عددی مجموعه داده مشخص می‌کنیم. نقاط پرت در داده‌های ورودی می‌تواند ما را گمراه کند و نتایج قابل اعتمادی حاصل نکند؛ بنابراین برای رفع داده‌های پرت تک متغیره بسیاری از الگوریتم‌ها به محدوده و توزیع مقادیر ویژگی در داده‌های ورودی حساس هستند. نقاط و داده‌های پرت در داده‌های ورودی می‌توانند نتایج را منحرف کنند و نتایج را کمتر قابل اعتماد کنند، به همین دلیل است که ما باید همه موارد پرت را بشناسیم و آنها را رفع کنیم.

 

 

شکل ۴: نمودار تشخیص پراکندگی قدرت عامل‌ها

محور افقی (x): نشان‌دهنده ضریب قدرت محصولات. این ویژگی به‌احتمال تشخیص آنها به‌عنوان نقاط پرت مربوط است. محور عمودی (y): دانسیته یا تراکم نقاط پرت شناسایی شده با توجه به ضریب قدرت. این نمودار نشان می‌دهد که بیشتر نقاط پرت در محدوده ضریب قدرت 0.5 تا 1.0 قرار دارند.

 

 شکل ۵: نمودار تشخیص پراکندگی قیمت محصولات

محور افقی (x): نشان‌دهنده قیمت محصولات. این ویژگی به احتمال تشخیص آنها به‌عنوان نقاط پرت مربوط است. محور عمودی (y): دانسیته یا تراکم نقاط پرت شناسایی شده با توجه به قیمت محصولات. این نمودار نشان می‌دهد که بیشتر نقاط پرت در محدوده قیمت 0 تا 400 قرار دارند.

 

شکل ۶: نمودار تشخیص پراکندگی سال انتشار

محور افقی (x): نشان‌دهنده سال انتشار محصولات. این ویژگی به احتمال تشخیص آنها به‌عنوان نقاط پرت مربوط است. محور عمودی (y): دانسیته یا تراکم نقاط پرت شناسایی شده با توجه به سال انتشار محصولات. این نمودار نشان می‌دهد که بیشتر نقاط پرت در محدوده سال‌های 1960 تا 1980 قرار دارند.

 

شکل ۷: نمودار تشخیص پراکندگی تعداد آیتم‌ها

محور افقی (x): نشان‌دهنده تعداد آیتم‌ها در هر محصول. این ویژگی برای تشخیص نقاط پرت در نظر گرفته شده است. محور عمودی (y): دانسیته یا تراکم نقاط پرت شناسایی شده با توجه به تعداد آیتم‌ها. این نمودار نشان می‌دهد که بیشتر نقاط پرت در محدوده 200 تا 600 آیتم قرار دارند.

 

شکل ۸: نمودار تشخیص پراکندگی قیمت

محور افقی (x): نشان‌دهنده قیمت پایین کاربران (LowUserPrice) برای هر محصول. این ویژگی برای تشخیص نقاط پرت در نظر گرفته شده است. محور عمودی (y): دانسیته یا تراکم نقاط پرت شناسایی شده با توجه به قیمت پایین کاربران. این نمودار نشان می‌دهد که بیشتر نقاط پرت در محدوده قیمت 0 تا 0.008 قرار دارند.

 

پیش‌بینی ماژول طبقه‌بندی و نرمال‌سازی داده‌ها

مدل پیش‌بینی کننده ماژول طبقه‌بندی شناسه منحصربه‌فرد هر محصول را پیش‌بینی می‌کند که باید در موجودی نگهداری شود؛ یعنی همان وضعیت فعال. سپس در مرحله بعدی با استفاده از تابع SMOTH کلاس‌ها متعادل می‌گردند. نهایتاً با استفاده از ماتریس سردرگمی نرمال شده و نشده را محاسبه و ترسیم می‌گردد. برای ارزیابی عملکرد مدل پیش‌بینی موجودی بسازید. این ماتریس معمولاً در مسائل دسته‌بندی استفاده نموده‌ایم و نشان می‌دهیم که مدل چه میزان داده‌ها را به‌درستی و به اشتباه دسته‌بندی کرده است. ابتدا تابع plot_confusion_matrix تعریف شده است. این تابع یک ماتریس سردرگمی، نام کلاس‌ها و دیگر پارامترهای مرتبط را دریافت می‌کند و نمودار ماتریس سردرگمی را رسم می‌کند. سپس، ماتریس گیجش محاسبه می‌شود با استفاده از تابع confusion_matrix  که از کتابخانه sklearn.metrics استخراج می‌شود. این تابع دو آرگومان می‌پذیرد testing_target  که برچسب‌های واقعی یا حقیقی برای داده‌ها است و pred که پیش‌بینی‌های مدل برای همان داده‌ها است. ماتریس سردرگمی با استفاده از این دو مقدار محاسبه می‌شود. سپس، دو نمودار ماتریس سردرگمی رسم می‌شوند. اولین نمودار، بدون نرمال‌سازی است و دومین نمودار با نرمال‌سازی است. نرمال‌سازی ماتریس سردرگمی می‌تواند مفید باشد زیرا نشان می‌دهد که هر کلاس چه میزان درست تشخیص داده شده است نسبت به کل تعداد نمونه‌های آن کلاس در کل دیتاست را نمایش می‌دهد. در نمودارها، رنگ نقاط مشخص می‌کند که هر دسته چه میزان درست یا نادرست تشخیص داده شده است. همچنین، اعداد درون هر نقطه نشان‌دهنده مقدار درصد تعداد نمونه‌های هر کلاس است که به درستی یا نادرست تشخیص داده شده‌اند. استفاده از ماتریس سردرگمی و نمودارهای مربوطه می‌تواند به ما کمک می‌کند تا عملکرد مدل خود را در پیش‌بینی موجودی بسنجیم و در صورت نیاز اقدامات بهبود را انجام دهیم.

 

شکل ۹: ماتریس سردرگمی نرمال شده

ماتریس تعمیم‌یافته آشفتگی⁷  که در تصویر نشان داده شده است، عملکرد یک مدل طبقه‌بندی را ارزیابی می‌کند. این ماتریس برای نشان دادن تعداد نمونه‌های طبقه‌بندی شده صحیح و نادرست در هر کلاس استفاده می‌شود.

مفاهیم کلیدی دقیق و مورد نیاز:

کلاس: هر ردیف و ستون در ماتریس، یک کلاس را نشان می‌دهد. در این تصویر، دو کلاس وجود دارد: «فروخته نشده» و «فروخته شده».

نمونه: هر سلول در ماتریس، تعداد نمونه‌ها را در یک دسته خاص نشان می‌دهد. به‌عنوان مثال، سلول (1, 1) تعداد نمونه‌هایی را نشان می‌دهد که به درستی به‌عنوان «فروخته نشده» طبقه‌بندی شده‌اند.

دقت: دقت کلی مدل، نسبت تعداد نمونه‌های طبقه‌بندی شده صحیح به کل نمونه‌ها است. در این تصویر، دقت 0.67 است، به این معنی که 67% از نمونه‌ها به درستی طبقه‌بندی شده‌اند.

حساسیت: حساسیت برای هر کلاس، نسبت تعداد نمونه‌های واقعی مثبت که به درستی به‌عنوان مثبت طبقه‌بندی شده‌اند به کل نمونه‌های مثبت واقعی است. در این تصویر، حساسیت برای کلاس «فروخته شده» 0.47 و برای کلاس «فروخته نشده» 0.79 است.

اختصاصیت: اختصاصیت برای هر کلاس، نسبت تعداد نمونه‌های واقعی منفی که به درستی به‌عنوان منفی طبقه‌بندی شده‌اند به کل نمونه‌های منفی واقعی است. در این تصویر، اختصاصیت برای کلاس «فروخته شده» 0.53 و برای کلاس «فروخته نشده» 0.71 است.

در این ماتریس، 79% از نمونه‌هایی که واقعاً فروخته نشده بودند، به درستی به‌عنوان «فروخته نشده» طبقه‌بندی شده‌اند.

21% از نمونه‌هایی که واقعاً فروخته نشده بودند، به اشتباه به‌عنوان «فروخته شده» طبقه‌بندی شده‌اند.

47% از نمونه‌هایی که واقعاً فروخته شده بودند، به درستی به‌عنوان «فروخته شده» طبقه‌بندی شده‌اند.

53% از نمونه‌هایی که واقعاً فروخته شده بودند، به اشتباه به‌عنوان «فروخته نشده» طبقه‌بندی شده‌اند.

این ماتریس تعمیم‌یافته آشفتگی نشان می‌دهد که مدل طبقه‌بندی در تشخیص نمونه‌های فروخته نشده عملکرد بهتری نسبت به تشخیص نمونه‌های فروخته شده دارد. با این حال، هنوز جای پیشرفت وجود دارد، به‌خصوص در مورد کاهش تعداد نمونه‌هایی که به اشتباه طبقه‌بندی شده‌اند. ماتریس تعمیم‌یافته آشفتگی فقط یک ابزار برای ارزیابی عملکرد مدل است.

 

 

شکل ۱۰: ماتریس سردرگمی نرمال نشده

این ماتریس نشان‌دهنده عملکرد یک مدل طبقه‌بندی است. اعداد در سلول‌ها نشان‌دهنده تعداد نمونه‌هایی است که در هر دسته قرار گرفته‌اند. سطرها نشان‌دهنده برچسب‌های واقعی (true label) و ستون‌ها نشان‌دهنده برچسب‌های پیش‌بینی شده توسط مدل predicted label است. عدد 9843 در سلول (Not Sold, Not Sold) یعنی 9843 نمونه به درستی به‌عنوان Not Sold پیش‌بینی شده‌اند. عدد 1199 در سلول (Sold, Sold) یعنی 1199 نمونه به درستی به‌عنوان Sold پیش‌بینی شده‌اند.

 

دیتاسازی جهت تزریق به شبکه

در این مرحله قصد داریم تعیین کنیم که کدام محصولات از موجودی خود را برای فروش نگه داریم و کدام محصولات را که فروش خوبی ندارند را کنار بگذاریم. لازم به ذکر است داده‌ها هم شامل داده‌های تاریخی فروش (داده‌های باسابقه یا غیرفعال) و هم موجودی فعال هستند. به ازای هر سطر از دادگان محاسبه مقدار سفارش اقتصادی (EOQ) و مدل تولید اقتصادی (EPQ) و همچنین محاسبه مقادیر آنالیز ABC نیز افزون بر داده‌های اولیه نیز با استفاده از زبان برنامه‌نویسی پایتون بر روی کل دادگان اعمال شده است و در نهایت 3 ستون جدید به دادگان اضافه شده است. بدیهی است جدول دادگان بروز رسانی شده به‌صورت ذیل تغییر یافته است. لازم به ذکر است، این فرآیند طبق عملکرد کد پایتون زیر صورت پذیرفته است و محاسبات جدید منجر به بروز رسانی جدول شده است.

 

 

شکل ۱۱: افزودن محاسبات EPQ و EOQ

 اهداف تحلیلی و پیاده‌سازی

هدف اصلی برای پیش‌پردازش و تولید یک مدل یادگیرنده و پیشبینانه از دادگان موجود و استانداردی که در این مقاله مورد استفاده قرار خواهد گرفت، اعم از شناسایی هدف، نرمال‌سازی، آموزش، ساخت مدل شبکه عصبی LSTM برای کنترل موجودی در انبار و پیدایش بینشی برای شناسایی موجودی‌ها قبلی و موجودی‌های فعال و پیش‌بینی فروش در بازه­های زمانی پیش رو است. مدل LSTM دو جهته را با استفاده از ویژگی‌های مشخص شده می‌سازد. مدل‌ها با استفاده از دقت آنتروپی متقاطع باینری به‌عنوان معیار ارزیابی آموزش داده و ارزیابی می‌شوند

 ارزیابی مدل پیشنهادی

لازم به ذکر است، داده‌های حاصل از مرحله جهت یادگیری در شبکه عصبی به‌روزرسانی شده و پیش‌پردازش داده‌ها بر اساس محاسبات آنالیز قانون پارتو صورت گرفته است. همچنین، حذف مقادیر بسیار بزرگ با استفاده از تکنیک Mask انجام شده است و نهایتاً نرمال‌سازی ویژگی‌ها با استفاده از کمیت بیشینه و کمینه صورت پذیرفته است. بعد از ساخت مدل LSTM و آموزش این شبکه‌ها با پارامترهای تعیین شده، در راستای هدف مقاله، دقت 93 درصد حاصل گردید.

 

شکل ۱۲: صحت دقت مدل LSTM

۴ بحث و نتیجه‌گیری

برای انجام فرایند کنترل موجودی، روش‌ها و مدل‌های مختلفی وجود دارد. هر مدل موجودی دارای رویکرد متفاوت و مخصوص به خود است و بسته به نوع استفاده می‌تواند در هر کسب‌وکاری متفاوت باشد. در این مقاله از سه مدل مهم کنترل موجودی در زنجیره تأمین استفاده نمودیم که هرکدام حسب ویژگی‌های منحصر به خود نسبت به پردازش اولیه داده‌های انبوه در کلان داده اثربخش عمل نمود. اولین مورد، تکنیک کنترل موجودی EOQ بکار برده شد. نه تنها به ما این امکان را داد تا تعداد واحدهای موجودی را که باید برای کاهش هزینه‌ها بر اساس هزینه‌های نگهداری شرکت، همچنین هزینه‌های سفارش و نرخ تقاضای سفارش شناسایی کنیم، بلکه جهت آموزش به ماشین نیز با دقت مطلوبی اثربخش عمل کرد. دومین مورد، تکنیک EPQ است. در این نوع از مدل‌های کنترل موجودی تعداد محصولاتی را که باید در یک دسته سفارش داد را تعیین می‌کند، لذا با این هدف که هزینه‌های نگهداری و هزینه‌های راه‌اندازی را کاهش دهد در وزن دهی برای آموزش به ماشین تعریف کردیم. یافته‌ها نشان داد در زمانی که تقاضا برای محصولات در دوره‌های زمانی ثابت باشد، دقت پیش‌بینی را با دقت مطلوبی افزایش خواهد داد. مورد سوم، تکنیک کنترل موجودی آنالیز ABC است، نتیجه مطلوبی که توسط این روش داده‌های موجودی را بر اساس سطوح اهمیت آن‌ها جهت آموزش به ماشین دسته‌بندی کردیم بسیار اثربخش عمل کرد.

از سوی دیگر، یافته‌ها نشان داد، هوشمند سازی زنجیره تأمین در صنایع مختلف، در نتیجه ادغام تکنیک‌های یادگیری عمیق (شبکه‌های حافظه طولانی کوتاه‌مدت LSTM)، با چارچوب‌های سنتی ذکرشده؛ برای پیش‌بینی موجودی انبار دارای عملکرد بالایی به لحاظ سرعت و کاهش هزینه داشته. در این راستا، رویکرد پیشنهاد شده در این مقاله استفاده از شبکه عصبی LSTM است. بردارهاي ویژگی براي استخراج الگوهاي مصرف وارد شده در شبکه LSTM دقت مدل را بالاتر برد. در این ساختار وزن نورون‌ها و پارامترهاي تطبیقی با توجه به الگوهاي موجود در ویژگی‌های استخراج شده آموزش داده نیز مطلوب عمل کردند. همچنین فرآیند یادگیري در ساختار LSTM این شبکه را قادر به پیش‌بینی میزان مصرف، در پیش­آمدهاي آتی با دقت ۹۳ درصد نمود. صحت کارآمدی آموزش به شبکه حافظه‌دار در مرحله آموزش؛ شبکه را قادر کرد داده‌هاي جدید در مورد وضعیت انبار و محصولات را با دقت مطلوبی پردازش کند.

درنهایت، به‌منظور نمایش عملکرد شبکه، نتیجه ارزیابی دقت شبکه عمیق بر روي داده‌ها به شکل عددي و نموداري مقایسه شد. این سیستم نتایج یکنواخت و امیدوارکننده‌ای را براي پیش‌بینی نیازهای حوزه مربوطه به‌منظور کنترل میزان تولید بر اساس تئوري عرضه و تقاضا ارائه کرده است.

 

۵ محدودیت‌ها و پیشنهاد‌ها

الگوی­های یادگیری نیاز به تعداد زیادی نمونه آموزشی دارد و البته که ممکن است داده‌های قدیمی‌تر در دسترس نباشند، همچنین داده‌های جدید به دلیل مشکلات حفظ حریم خصوصی نتوانند ذخیره شوند یا دفعاتی که سیستم باید در آن بروز رسانی شود، نمی‌تواند از آموزش یک مدل جدید با تمام داده‌ها به اندازه کافی پشتیبانی کند.

از طرفی، با توجه به اینکه استفاده از تکنیک‌های یادگیری عمیق مستلزم وجود داده‌های مناسب جهت یادگیری شبکه عصبی است لذا موضوع سوگیری‌ها نیز یک مشکل عمده برای مدل‌های یادگیری عمیق است. اگر یک مدل بر روی داده‌هایی آموزش ببیند که دارای سوگیری هستند، مدل آن سوگیری‌ها را در پیش‌بینی‌های خود بازتولید می‌کند.

هر مدل استخراج شده منحصر به همان محصول و فاکتورهای تعریف شده حسب چالش‌ها، پتانسیل‌ها و محدودیت‌های موجود است. لذا ممکن است براي تحلیل و ارزیابی محصولات و چالش‌های دیگر مناسب و کارآمد نباشد. ازاین‌رو اگر بخواهیم این مدل را براي ارزیابی مصرف محصول دیگر به کار ببریم، بهتر است مدل پیاده‌سازی شده با تغییراتی همراه باشد و پارامترهاي تنظیمی شبکه عمیق مجدداً انتخاب شوند؛ که خود موضوع پیشنهادشده‌ای جهت پژوهش‌های آتی خواهد بود.

ازآنجاکه یادگیری ماشین پتانسیل نوآوری صنایع و مدل‌های کسب‌وکار آن‌ها را دارد بنابراین، پیاده‌سازی یادگیری ماشین در اینترنت صنعتی اشیا می‌تواند مزایای زیادی از جمله، پیش‌بینی تقاضای مصرف‌کننده در صنایع، تعدیل زنجیره تأمین، نگهداری و پیش‌بینی، کنترل کیفیت و افزایش توان عملیاتی تولید برای صنایع مختلف داشته باشد لذا پژوهشگران می‌توانند جهت کارهای آتی این پژوهش را در صنایع دیگر با استفاده از چارچوب‌های منبع باز برای توسعه مدل یادگیری ماشین در محیط صنعتی انجام دهند.

 

References

[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. (2021). 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. (2022). 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. (2023). 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 (2022). Deep Learning: From Basics to Building Deep Neural Networks with Python. Tehran: Miyad Andisheh.

---

[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)

                                                                                                    [e-mail]

[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

تاریخ وصول                                     تاریخ پذیرش

[6]  Long short-Term Memory

[7]  Normalized confusion matrix

---