پیش بینی زمان انتظار سفارشات قطعات خودرو در زنجیره تامین با استفاده از یادگیری ماشین
نویسندگان
1 استادیارگروه مدیریت صنعتی و تکنولوژی،واحد علوم و تحقیقات ، دانشگاه آزاد اسلامی ، تهران، ایران ، نویسنده مسئول: Ahmad.Ebrahimi@srbiau.ac.ir
2 دانشجوی دکتری رشته مدیریت صنعتی، واحد علوم و تحقیقات ،دانشگاه آزاد اسلامی ، تهران، ایران
3 استادیارگروه مهندسی صنایع، دانشگاه خاتم، تهران، ایران
4 دانشیار موسسه مطالعات برنامهریزی و مدیریت، تهران، ایران
doi
10.22054/ims.2025.80935.2491چکیده
هدف این پژوهش بررسی عوامل موثر در پیشبینی زمان انتظار و ایجاد مدل پیشبینانه زمان انتظار سفارشات کانبان به جهت بهبود پایداری و تابآوری در زنجیره تامین ناب میباشد. برای دستیابی به این هدف، مطالعه از روش دادهکاوی پیروی میکند، مجموعه دادهها شامل 103023 مشاهده، ازسیستم کانبان واکسترانت زنجیره تامین با رعایت الزامات شاخصهای کیفیت دیتاست در بازه 6/1402 تا 11/ 1402 استخراج شده است. ابتدا شاخصهای موثر بر زمان انتظار سفارشات استخراج شده است و به جهت بهبود عملکرد و دقت پیشبینی، از فرآیندکاوی جهت شناسایی متغیرهای پرتکرار و تاثیرگذار در واریانتهای اصلی و سپس در مرحله برازش مدل، از رویکرد تحلیل گامبهگام تلفیقی جهت انتخاب ویژگیها و از تنظیم پارامتر رویکردهای رگرسیونی ناپارامتریک استفاده شده است. مدل پیشبینانه با استفاده از مدلهای رگرسیونی خطی چندمتغیره، چندمتغیره دارای انحنا، لاسو، الاستیکنت، درخت تصمیم تقویتی، جنگل تصادفی بوتاسترپ، k- نزدیکترین همسایه، شبکه عصبی تقویتی برازش داده شده است. عملکرد مدلهای رگرسیونی برازش شده با استفاده از شاخصهای ارزیابی R^2 ، RASE و اعتبارسنجی نتایج و مدل تایید شده است. نتایج نشان داد که عوامل لجستیکی در زمان انتظار سفارشات موثر بوده و الگوریتم شبکه عصبی تقویت شده بهترین مدل در پیشبینی زمان انتظار سفارشات با دقت 96 درصد و با خطا 84/5 است. سپس قابلیت پیشبینی مدل برای دیتاهای جدید در سیستم صدور سفارشات کانبان به کار گرفته شده است، نتایج و بهبودهای حاصل از بهرهگیری قابلیتهای دادهکاوی در سیستم کانبان همگی بیانگر تاثیر معنیدار ترکیب ابزار ناب و یادگیری ماشین به جهت توانمندسازی و تابآوری زنجیره تامین ناب میباشد.