Data-Driven Fuzzy Demand Forecasting Models for Resilient Supply Chains
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle