مدل راهبردی مدیریت موجودی انبار مبتنی بر یادگیری عمیق
نویسندگان
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، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
4 استاد، گروه مدیریت صنعتی، دانشگاه تربیت مدرس، تهران، ایران
5 استاد، گروه مدیریت صنعتی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
doi
10.71652/JMEM.2025.1189687چکیده
هدف: ارائه یک مدل استراتژیک برای مدیریت موجودی با استفاده از یادگیری عمیق (LSTM) به منظور بهرهبرداری از دادههای کلان صنعتی غیرخطی و کیفی که با روشهای کلاسیک قابل استفاده نیستند. روششناسی پژوهش: در این پژوهش، یک مدل یادگیری عمیق بر پایه حافظه بلندمدت کوتاهمدت (LSTM) طراحی شد. دادهها برای آموزش شبکه با استفاده از روشهای سنتی مدیریت موجودی شامل مقدار اقتصادی سفارش (EOQ)، مقدار اقتصادی تولید (EPQ) و تحلیل ABC آمادهسازی گردید. یافتهها: پس از ساخت و آموزش مدل، شبکه LSTM به دقت پیشبینی ۹۳ درصد دست یافت که نشاندهنده موفقیت ترکیب رویکردهای سنتی با هوش مصنوعی برای تحلیل دادههای کلان در مدیریت موجودی است. اصالت / ارزشافزوده علمی: نوآوری این پژوهش در ترکیب روشهای کلاسیک مدیریت موجودی با تکنیکهای پیشرفته یادگیری عمیق نهفته است که راهحلی کاربردی برای چالش پیشبینی بر اساس دادههای غیرخطی در زنجیره تأمین ارائه میدهد.
