فهرست نشریات علمی دسترسی آزاد ایران

هدف: پیش‌بینی سفارش‌های معوق یکی از اساسی‌ترین چالش‌ها در زنجیره‌های تامین است که می‌تواند تاثیر مستقیمی بر هزینه‌های عملیاتی، سطح موجودی و رضایت مشتری داشته باشد. هدف اصلی این مطالعه، ارایه یک مدل یادگیری ماشین ترکیبی مبتنی بر رای‌گیری برای پیش‌بینی سفارش‌های معوق است که دقت پیش‌بینی را افزایش می‌دهد.روش‌شناسی پژوهش: در این مطالعه، تلاش شد تا از مدل‌های رای‌گیری سخت و نرم مبتنی بر XGBoost، CatBoost، جنگل تصادفی و LightGBM با وزن‌های بهینه‌شده از طریق Optuna استفاده شود. مجموعه داده‌های مورد استفاده شامل سفارشات، سطوح موجودی، عملکرد تامین‌کننده و سایر ویژگی‌های مرتبط است. برای کاهش عدم توازن داده‌ها، از روش ADASYN استفاده شد و همچنین از تنظیم پارامتر optuna برای یافتن تنظیمات بهینه مدل استفاده شد. روش RFECV نیز برای شناسایی ویژگی‌های کلیدی موثر بر سفارشات معوقه استفاده شد.یافته‌ها: مدل رای‌گیری نرم، با دقت 0/9524، بهترین عملکرد را در پیش‌بینی سفارش‌های معوق نسبت به سایر مدل‌های یادگیری ماشینی منفرد مورد بررسی در این مطالعه داشت. علاوه بر این، متغیرهای مرتبط با سطح موجودی، عملکرد تامین‌کننده و قابلیت پیش‌بینی تقاضا نیز به عنوان مهم‌ترین عوامل در ایجاد سفارش‌های معوق شناسایی شدند. مدل پیشنهادی با سایر روش‌های سنتی مقایسه شد و مشخص شد که با استفاده از مدل‌های استوار در یک چارچوب رای‌گیری، می‌توان دقت پیش‌بینی را نیز بهبود بخشید.اصالت/ارزش افزوده علمی: نتایج نشان می‌دهد که استفاده از یک مدل یادگیری ماشین ترکیبی مبتنی بر رای‌گیری می‌تواند مکانیزم مناسبی برای بهبود پیش‌بینی سفارش معوق باشد. این مدل به سازمان‌ها کمک می‌کند تا جریان سفارش و هزینه‌های مرتبط با آن را با دقت بیشتری مدیریت کنند. پیشنهاد می‌شود در پژوهش‌های آتی از تکنیک‌های پیشرفته‌تر انتخاب ویژگی و بهینه‌سازی، مانند الگوریتم‌های ژنتیک و شبکه‌های عصبی عمیق، برای دستیابی به عملکرد بهتر مدل استفاده شود.