Data-Driven Fuzzy Demand Forecasting Models for Resilient Supply Chains
Notice bibliographique
Résumé
Uncertainty in supply chain leads to what is known as bullwhip effect (BE), which causes multiple inefficiencies such as higher costs of production (of more than what is needed), wastage and logistics. Though there are many studies reported in the literature, the impact of the quality of dynamic forecasts on the BE has not received sufficient coverage. In this paper, a fuzzy data-driven weighted moving average (DDWMA) forecasts of the future demand strategy is proposed for supply chain. Also, data-driven random weighted volatility forecasting model is used to study the fuzzy extended Bollinger bands forecasts of the demand. The main reason of using the fuzzy approach is to provide α-cuts for DDWMA demand forecasts as well as extended Bollinger bands forecasts. The proposed fuzzy extended Bollinger bands forecast is a two steps procedure as it uses optimal weights for both the demand forecasts as well as the volatility forecasts of the demand process. In particular, a novel dynamic fuzzy forecasting algorithm of the demand is proposed which bypasses complexities associated with traditional forecasting steps of fitting any time series model. The proposed data-driven fuzzy forecasting approach focuses on defining a dynamic fuzzy forecasting intervals of the demand as well as the volatility of the demand in supply chain. The performance of proposed approaches is evaluated through numerical experiments using simulated data and weekly demand data. The results show that the proposed methods perform well in terms of narrower fuzzy forecasting bands for demand as well as the volatility of the demand.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».