Bombardier Aftermarket Demand Forecast with Machine Learning
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
Intermittent demand patterns are commonly present in business aircraft spare parts supply chains. Because of the infrequent arrivals and large variations in demand, aircraft aftermarket demand is difficult to forecast, which often leads to shortages or overstocking of spare parts. In this paper, we present the development and implementation of an advanced analytics framework at Bombardier Aerospace, which is carried out by the Bombardier inventory planning team and IVADO Labs to improve the aftermarket demand forecasting process. This integrated predictive analytics pipeline leverages machine-learning (ML) models and traditional time series models in a single framework in a systematic fashion. We also make use of a tree-based machine-learning method with a large set of input features to estimate two components of intermittent demand, namely demand sizes and interdemand intervals. Through the ML models, we incorporate different features, including those derived from flight data. Outputs of different forecasting models are combined using an ensemble technique that enhances the robustness and accuracy of the forecasts for different groups of aftermarket spare parts categorized by demand patterns. The validation results show an improvement in forecast accuracy of approximately 7% and in unbiased forecast of 5%. The ML-based Bombardier Aftermarket forecasting system has been successfully deployed and used to forecast the aftermarket demand at Bombardier of more than 1 billion Canadian dollars on a regular basis. History: This paper was refereed.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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