Role of hybrid forecasting techniques for transportation planning of broiler meat under uncertain demand in thailand
Notice bibliographique
Résumé
One of numerous problems experiencing in supply chain management is the demand. Most demands are appeared in terms of uncertainty. The broiler meat industry is inevitably encountering the same problem. In this research, hybrid forecasting model of ARIMA and Support Vector Machine (SVMs) are developed to forecast broiler meat export. In addition, ARIMA, SVMs, and Moving Average (MA) are chosen for comparing the forecasting efficiency. All the forecasting models are tested and validated using the data of Brazil’s export, Canada’s export, and Thailand’s export. The hybrid model provides accuracy of the forecasted values that are 98.71%, 97.50%, and 93.01%, respectively. In addition, the hybrid model presents the least error of all MAE, RMSE, and MAPE comparing with other forecasting models. As forecasted data are applied to transportation planning, the mean absolute percentage error (MAPE) of optimal value of forecasted value and actual value is 14.53%. The hybrid forecasting model shows an ability to reduce risk of total cost of transportation when broiler meat export is forecasted by using MA(2), MA(3), ARIMA, and SVM are 50.59%, 60.18%, 68.01%, and 46.55%, respectively. The results indicate that the developed forecasting model is recommended to broiler meat industries’ supply chain decision.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».