هوش مصنوعی و پیش‌بینی مصرف لوازم یدکی

پیش بینی تقاضای قطعات یدکی با استفاده از هوش مصنوعی (Demand Forecasting of Spare Parts Using Artificial Intelligence)

خلاصه
نسبت محدوده موجودی مرتبط با قطعات یدکی اغلب در زمینه صنعتی در نظر گرفته می شود. بنابراین، حتی پیشرفت های جزئی در پیش بینی تقاضا برای قطعات یدکی می تواند منجر به صرفه جویی قابل توجهی در هزینه شود. علی‌رغم تلاش‌های تحقیقاتی قابل توجه، پیش‌بینی تقاضا همچنان چالش برانگیز است، به‌ویژه در مناطقی با الگوهای تقاضای نامنظم، مانند لجستیک نظامی. بنابراین، یک مدل پیشرفته برای پیش‌بینی دقیق این تقاضا در این مطالعه توسعه داده شد. تانک KX یکی از تانک های جنگی نسل سوم ارتش جمهوری کره است. اطلاعات مربوط به مصرف قطعات یدکی ۱,۰۵۳,۴۲۲ نقطه داده تراکنشی ذخیره شده در یک سیستم مدیریت لجستیک نظامی به دست آمد. مدل‌های طبقه‌بندی پیش‌بینی تقاضا برای بهره‌برداری از یادگیری ماشین، تعمیم انباشته، و سری‌های زمانی به عنوان روش‌های پایه توسعه داده شدند. علاوه بر این، تعمیم های مختلف انباشته در پیش بینی تقاضای قطعات یدکی ایجاد شد. نتایج نشان داد که انتخاب مناسب روش‌ها می‌تواند به بهبود عملکرد مدل‌های پیش‌بینی در این حوزه کمک کند.

1. معرفی
   پیش بینی تقاضا به طور گسترده ای در زمینه های مختلف مانند برق، مالی و خدمات انجام می شود. مدل‌های پیش‌بینی مرتبط با مصرف قطعات یدکی، به‌ویژه در صنعت مدیریت تجهیزات و نگهداری قابل توجه هستند [ ۱ ]. به طور کلی، هزینه قطعات یدکی بخش قابل توجهی از هزینه نگهداری تجهیزات را اشغال می کند [ ۲ ]. پیش بینی تقاضا برای قطعات یدکی در ارتش یک عامل اساسی در استفاده از تجهیزات است. دقت پیش‌بینی تقاضای بالا برای قطعات یدکی می‌تواند استفاده از تجهیزات و کارایی هزینه را بهبود بخشد [ ۳ ]. بنابراین، روش‌های مبتنی بر داده‌های بزرگ برای پیش‌بینی تقاضا برای قطعات یدکی در انقلاب صنعتی چهارم مورد توجه قابل توجهی قرار گرفته است [ ۴]]. ایمن سازی قطعات یدکی کافی برای اطمینان از عملکرد بی وقفه انواع مختلف تجهیزات، کاهش بودجه و مدیریت موثر میدان مهمات بسیار مهم است. بنابراین، تحقیقات قابل توجهی برای پیش بینی تقاضا برای قطعات یدکی انجام شده است [ ۵ ]. بسیاری از کشورها به دنبال افزایش نرخ عملیاتی سیستم‌های تسلیحاتی جدید و موجود هستند تا امنیت ملی و بودجه دفاعی معقول را تضمین کنند. بنابراین، در صورت خرابی تجهیزات، خرید و تعویض به موقع و سریع قطعات یدکی مورد نیاز است [ ۶]]. لازم است تقاضا برای لوازم یدکی مصرفی حداقل یک سال قبل از مصرف کل آنها پیش بینی شود. از طریق چنین چارچوب های پیش بینی، یک کشور می تواند مقادیر لازم قطعات یدکی را برای سال X در سال X-1 بدست آورد. بنابراین، دقت پیش‌بینی تقاضا برای قطعات یدکی یک عامل حیاتی در تضمین نرخ عملیاتی تجهیزات، کاهش دوره‌های تهیه و نگهداری و افزایش کارایی بودجه است [۳ ] .
   قابل توجه است که با افزایش تکنولوژیک و هزینه بر بودن سیستم های تسلیحاتی مدرن، ارزش دارایی تجهیزات و بودجه تعمیر لوازم جانبی به طور مداوم در حال افزایش است. به طور کلی تقاضا برای قطعات یدکی با توجه به نوع تجهیزات متفاوت بوده و متناوب و نامنظم است. علاوه بر این، طول عمر قطعات یدکی معرفی شده برای تجهیزات اغلب مهمتر از عمر تجهیزات است [ ۷ ]. این جنبه ها می تواند هزینه تعمیر و نگهداری سیستم های تسلیحاتی مدرن را افزایش دهد. بنابراین، یک مدل علمی و دقیق پیش‌بینی تقاضا باید برای بهینه‌سازی استفاده از تجهیزات و هزینه‌های موجودی ایجاد شود. در نتیجه، دقت مدل‌های پیش‌بینی تقاضا برای قطعات یدکی باید افزایش یابد [ ۸]]. بسیاری از محققان تلاش کرده اند تا دقت پیش بینی تقاضا برای قطعات یدکی را افزایش دهند. متداول ترین تکنیک مورد استفاده سری های زمانی است. سه تا هشت فناوری مانند روش میانگین متحرک و روش هموارسازی نمایی را می توان برای افزایش بازده ترکیب کرد.
   برخلاف تکنیک‌های سری زمانی موجود، این مطالعه از تکنیک‌های هوش مصنوعی (AI) برای افزایش دقت پیش‌بینی تقاضا برای قطعات یدکی تانک KX استفاده کرد که اولین تانک نسل سوم داخلی و هسته‌ای از زمان ساخت ارتش جمهوری کره است. در نتیجه، دقت با استفاده از چندین مدل و تکنیک‌های سری زمانی قبلی بهبود یافت [ ۹ ]. در حال حاضر، هوش مصنوعی یک فناوری کلیدی در انقلاب صنعتی چهارم است. بنابراین، این مطالعه تکنیک‌های فرایادگیری را که اخیراً برای داده‌های بزرگ به کار رفته است، اتخاذ کرد. تکنیک‌های سری زمانی، داده کاوی و شبکه‌های عصبی بازگشتی توجه (RNN) بر اساس یک الگوریتم فرا یادگیری مورد استفاده قرار گرفتند. اهداف کلیدی مطالعه را می توان به شرح زیر خلاصه کرد:
   برای بررسی مدل‌های مختلف پیش‌بینی تقاضای قطعات یدکی مرتبط با روش‌های طبقه‌بندی، به‌ویژه تجزیه و تحلیل سری‌های زمانی، داده‌کاوی و یادگیری عمیق، بر اساس انباشته کردن و جفت کردن قطعات یدکی و مجموعه داده‌های تقاضا.
   شناسایی مدل با بالاترین دقت پیش‌بینی بر اساس تحلیل‌های آماری.
   برای برجسته کردن مسیرهای تحقیقاتی آینده برای اطمینان از مدیریت بهتر و پیش‌بینی تقاضای قطعات یدکی در بخش‌های دفاعی و لجستیکی.
   بقیه مقاله به شرح زیر سازماندهی شده است. بخش ۲ مطالعات موجود در مورد سری های زمانی، یادگیری ماشین و تعمیم انباشته را بررسی می کند. مدل پیشنهادی، تکنیک‌های استخراج داده‌ها و متغیرها در بخش ۳ توضیح داده شده‌اند . بخش ۴ تجزیه و تحلیل مقایسه ای از نتایج هر تکنیک را ارائه می دهد. در نهایت، نکات پایانی و نکات برجسته در بخش ۵ ارائه شده است .
2. بررسی ادبیات
   ۲٫۱٫ سری زمانی
   تحلیل‌های سری زمانی به طور گسترده در بسیاری از حوزه‌های پیش‌بینی تقاضا به کار می‌روند و تکنیک‌های کمی را برای پیش‌بینی تغییرات از الگوهای تاریخی نشان می‌دهند [ ۱۰ ]. چند محقق از روش‌های هموارسازی نمایی مرتبه اول و دوم برای تخمین تعداد جراحات و تلفات ناشی از تصادفات رانندگی در اردن از سال ۱۹۸۱ تا ۲۰۱۶ استفاده کردند. نتایج با نتایج به‌دست‌آمده با استفاده از روش‌های مبتنی بر میانگین درصد مطلق خطا، میانگین انحراف مطلق و میانگین انحراف مربع مقایسه شد. روش هموارسازی نمایی مرتبه دوم عملکرد عالی را نشان داد [ ۱۱]. مدل پیش‌بینی تقاضای ما برای واحدهای تعمیر شامل ۵ تا ۸ تکنیک سری زمانی برای هر حوزه نظامی، با ۳ تکنیک مورد استفاده برای ارتش است. مدل‌های مورد استفاده اکثر سربازان کره جنوبی شامل تکنیک‌های سری زمانی ۵ تا ۹ است. در این روش، تقاضاهای واقعی برای سال X پس از اجرای پیش‌بینی تقاضای سال X-1 مقایسه می‌شود و یک تکنیک پیش‌بینی تقاضا نسبتاً ساده با تکنیک خصوصی مقایسه می‌شود [۵ ، ۶ ] .
   ۲٫۲٫ فراگیری ماشین
   در این مطالعه از روش های داده کاوی و یادگیری عمیق استفاده کردیم. داده کاوی شامل تولید دانش با بررسی، تجزیه و تحلیل و مدل سازی اطلاعات مفید و روابط از داده های بزرگ است [ ۱۲ ]. روش های داده کاوی شامل درخت های تصمیم گیری (DTs)، شبکه های بیزی و ماشین های بردار پشتیبان (SVM) می باشد. در رویکرد مبتنی بر DT، اطلاعات بر اساس قوانین تصمیم‌گیری برای مرتب‌سازی اطلاعات در ساختارهای درختی، طبقه‌بندی کلاس مربوطه به بسیاری از کلاس‌ها یا انجام پیش‌بینی تجزیه و تحلیل می‌شود [۱۳ ] .
   یادگیری عمیق شامل شبکه های عصبی عمیق متشکل از پیوندها است. چنین شبکه هایی از شبکه های عصبی انسانی تقلید می کنند و از لایه های متعددی تشکیل شده اند [ ۱۴ ، ۱۵ ]. پرسپترون چند لایه (MLP) یک شبکه عصبی مصنوعی متعارف است که در آن شبکه‌های پرسپترون تک لایه در چندین لایه به هم متصل می‌شوند. یک MLP می تواند بر مضرات سیستم های پرسپترون تک لایه ای که نمی توانند داده هایی را که به صورت خطی جدا نمی شوند مدیریت کنند غلبه کند [ ۱۶ ، ۱۷]]. علاوه بر این، برای تقویت رویکردهای MLP، RNN هایی که شامل یک ساختار گردش هستند توسعه یافته اند. در چنین چارچوب هایی، اطلاعات یک نمونه خاص در هر بلوک حافظه ذخیره می شود و طبق برنامه زمانی زیر ارسال می شود. RNN ها در پردازش داده های متوالی مانند متن، صدا و داده های سری زمانی عالی عمل می کنند [ ۱۸ ]. با استفاده از الگوریتم حافظه کوتاه‌مدت بلند مدت (LSTM)، RNN‌ها می‌توانند مشکل وابستگی طولانی‌مدت را از بین ببرند و بنابراین چنین چارچوب‌هایی در زمینه‌های مختلف اعمال شده‌اند [ ۱۹ ]. واحدهای بازگشتی دردار (GRU) نشان دهنده مدل اصلاح شده LSTM است. چنین مدل‌هایی شامل موضوع ناپدید شدن گرادیان نمی‌شوند و شامل فرآیند محاسباتی کمتر پیچیده‌تری هستند [ ۲۰ ].
   شبکه عصبی کانولوشنال (CNN) یکی از تکنیک هایی است که مشکلاتی را که هنگام پردازش داده ها مانند تصاویر یا فیلم ها در یک شبکه عصبی عمیق رخ می دهد، اصلاح می کند [ ۲۱ ]. مطالعات قبلی از CNN ها برای حل عملکردهای شهری و وضعیت اجتماعی-اقتصادی با الگوهای پیش بینی تقاضای سفر کوتاه مدت استفاده کردند. روشی که دقت پیش‌بینی تقاضای سفر را با ترکیب معماری یادگیری عمیق با CNN سنتی بهبود بخشید در این مطالعه [ ۲۲ ] استفاده شد.
   ۲٫۳٫ تعمیم انباشته
   تعمیم انباشته یک روش یادگیری مبتنی بر یادگیری تک شات است. در این چارچوب، یک مدل زمانی یادگیری سریع را انجام می دهد که داده های تک شات با استفاده از داده های عامل غنی به جای روش تجزیه و تحلیل طبقه بندی [ ۲۳ ] ارائه شود. تکنیک‌های مرتبط شامل تکنیک کیسه‌زنی است که می‌تواند واریانس را کاهش دهد و تکنیک AdaBoosting که سوگیری را به حداقل می‌رساند [ ۲۴ ]. هدف تعمیم انباشته جمع آوری مدل های مختلف، در نتیجه تقویت نقاط قوت هر مدل و تکمیل نقاط ضعف آنها در ایجاد یک مدل بسیار دقیق است. مدل های رایج مورد استفاده شامل SVM، DT، و جنگل های تصادفی [ ۲۵]. تعمیم انباشته، همچنین به عنوان فرا یادگیری شناخته می شود، خطای تعمیم یافته مجموعه داده آموزشی را با استفاده از چندین الگوریتم طبقه بندی برای کاهش این خطاها و پیش بینی مجموعه داده آزمون نهایی تخمین می زند [۲۶ ] . به طور خاص، تعمیم انباشته شامل دو مرحله است. در مرحله اول با آموزش الگوریتم های طبقه بندی مختلف (مدل های سطح ۰) پیش بینی ها به دست می آید. در مرحله دوم، این پیش‌بینی‌ها برای تشکیل یک مجموعه فراآموزشی جمع‌آوری می‌شوند و پیش‌بینی‌ها با استفاده از الگوریتم طبقه‌بندی نهایی (مدل سطح ۱) به دست می‌آیند. به طور کلی، عملکرد بالاتر را می توان با یادگیری مقادیر پیش بینی شده با استفاده از مدل های Level-0 و طبقه بندی آنها با استفاده از مدل های Level-1 نسبت به استفاده از مدل های Level-0 [ 27 ] به دست آورد .
   مطالعات موجود نشان داده‌اند که فناوری هوش مصنوعی در انقلاب صنعتی چهارم قابل توجه است، زیرا می‌تواند از تصمیم‌گیری آینده‌گرا و داده‌های بزرگ پشتیبانی کند. با این حال، ارتش کره جنوبی همچنان به تکنیک سری زمانی وابسته است، که در آن فقط از داده های تقاضای گذشته استفاده می شود. پیش از این، داده‌هایی به جز داده‌های تقاضا نمی‌توانست در نظر گرفته شود. با این حال، از زمان ایجاد یک سیستم اطلاعاتی در سال ۲۰۰۹، می توان اطلاعات اضافی را جمع آوری کرد و متغیرها را می توان بیشتر مورد بررسی قرار داد. علاوه بر این، تکنیک‌های یادگیری ماشینی می‌توانند دقت پیش‌بینی تقاضا را در زمینه‌های مختلف افزایش دهند. این مطالعه یک تکنیک فرا یادگیری را با ترکیب RNN و یک رویکرد طبقه‌بندی یادگیری ماشین با در نظر گرفتن سری‌های زمانی ایجاد می‌کند.
3. شرح و روش شناسی مسئله
   ۳٫۱٫ جمع آوری داده ها
   ارتش جمهوری کره از سال ۲۰۰۹ با استفاده از آخرین فناوری های اطلاعاتی و تمرکز بر تجهیزات اصلی سیستم های تسلیحاتی، اقدام به ساخت سیستم اطلاعاتی برای تامین و نگهداری قطعات یدکی کرده است. سیستم پشتیبانی اطلاعات یکپارچه، سیستم اطلاعات یکپارچه لجستیک دفاعی، توسط بخش های مرتبط با تعمیر و نگهداری از واحدهای سازمانی ارتش، نیروی دریایی و نیروی هوایی وزارت دفاع استفاده می شود. این سیستم شامل ۱,۰۵۳,۴۲۲ نقطه داده تراکنشی است که از جدول نگهداری سیستم اطلاعات تعمیر و نگهداری دستگاه نیروی هوایی گرفته شده است که شامل ۲۲ متغیر از جمله داده های تعمیر و نگهداری، تعداد لوازم جانبی تعمیر مصرف شده در روز تعمیر و تعداد قطعات در هر خودرو می باشد. داده های هواپیماهای هدف این مطالعه بر اساس نوع آیتم سازماندهی مجدد شد و ۱۰، ۷۱۴ قطعه لوازم یدکی در نظر گرفته شد. علاوه بر این، متغیرهای مرتبط با داده های مصرف سالانه استخراج شد. متغیر هدفی که باید پیش‌بینی شود با داده‌های مربوط به نیاز هر آیتم در سال ۲۰۱۷ مطابقت دارد که شامل ۱۰۷۱۴ مورد است. برای متعادل کردن توزیع متغیر هدف از نظر نیاز اقلام، اقلام شامل ۵۳۵۷ مورد مورد نیاز و ۵۳۵۷ مورد غیرضروری بود. ۳۵ متغیر در داده‌ها مطابق با واحدهای مصرف‌شده، واحدهای خریداری‌شده، نسبت‌های مصرف، زمان‌های عملیاتی و مسافت‌های عملیاتی برای هفت سال (۲۰۱۰-۲۰۱۶)، همانطور که در نشان داده شده است. برای متعادل کردن توزیع متغیر هدف از نظر نیاز اقلام، اقلام شامل ۵۳۵۷ مورد مورد نیاز و ۵۳۵۷ مورد غیرضروری بود. ۳۵ متغیر در داده‌ها مطابق با واحدهای مصرف‌شده، واحدهای خریداری‌شده، نسبت‌های مصرف، زمان‌های عملیاتی و مسافت‌های عملیاتی برای هفت سال (۲۰۱۰-۲۰۱۶)، همانطور که در نشان داده شده است. برای متعادل کردن توزیع متغیر هدف از نظر نیاز اقلام، اقلام شامل ۵۳۵۷ مورد مورد نیاز و ۵۳۵۷ مورد غیرضروری بود. ۳۵ متغیر در داده‌ها مطابق با واحدهای مصرف‌شده، واحدهای خریداری‌شده، نسبت‌های مصرف، زمان‌های عملیاتی و مسافت‌های عملیاتی برای هفت سال (۲۰۱۰-۲۰۱۶)، همانطور که در نشان داده شده است.جدول ۱ . این متغیرها به دلیل تمایل سری زمانی مستقل نبودند. به طور خاص، مسائل طبقه‌بندی با ویژگی‌های سری زمانی با مسائل طبقه‌بندی معمولی متفاوت است، زیرا متغیرها به ترتیب خاصی مشخص می‌شوند. برای حل این مشکل از یادگیری عمیق و فرا یادگیری استفاده کردیم که روش‌های عالی برای پردازش داده‌های متوالی هستند.
   جدول ۱٫ شرح ویژگی.
   جدول
   ۳٫۲٫ سیستم یادگیری گروه انباشته پیشنهادی
   سیستم یادگیری گروه انباشته پیشنهادی شامل یک ماژول یادگیری سطح پایه و یک ماژول یادگیری گروه انباشته بود. ماژول یادگیری سطح پایه، احتمال نتیجه پیش‌بینی‌شده را برای تهیه یک مجموعه فراداده تعیین می‌کند. اعتبارسنجی متقابل پنج برابری برای جلوگیری از برازش بیش از حد در هنگام ساخت یک مجموعه فراداده انجام شد. شکل ۱ را ببینید که نمای کلی فرآیند را نشان می دهد.
   ریاضی ۱۱ ۰۰۵۰۱ g001 550شکل ۱٫ مروری بر فرآیند پیش بینی تقاضا.
   ماژول یادگیری سطح پایه. ماژول یادگیری سطح پایه را می توان به روش های یادگیری ماشینی که سری های زمانی را در نظر نمی گیرند و روش های یادگیری عمیق که سری های زمانی را در نظر می گیرند تقسیم کرد. روش‌های یادگیری ماشینی شامل مدل‌های آماری سنتی، مانند رگرسیون لجستیک (LR) و بیز ساده (NB) و یک مدل مبتنی بر فاصله، k-نزدیک‌ترین همسایه (KNN) است. همچنین مدلی را شامل می‌شود که هایپرپلن را با بیشترین حاشیه بین کلاس‌ها پیدا می‌کند، مدل SVM، و مدل‌های بسته‌بندی یا تقویت مبتنی بر درخت، مانند DTs، RFs، AdaBoost (AB)، XGBoost (XGB)، LightGBM (LGBM) و CatBoost (CB). علاوه بر این، ما ویژگی های ۱۱ مدل از جمله MLP را در نظر گرفتیم.
   یک الگوریتم RNN به عنوان یک تکنیک یادگیری عمیق برای منعکس کردن گرایش سری زمانی استفاده شد. به طور خاص، RNN، GRU، و LSTM، که معمولاً از الگوریتم‌های RNN استفاده می‌شوند، و AttRNN، توجه GRU (AttGRU) و توجه LSTM (AttLSTM) با مکانیسم توجه برای تمرکز بر ویژگی‌های مرتبط با هدف استفاده شدند. علاوه بر این، از یک شبکه عصبی کانولوشنال ۱ بعدی (۱DCNN) که ویژگی‌ها را از طریق عملیات کانولوشن استخراج می‌کند، استفاده شد که منجر به هفت الگوریتم یادگیری عمیق شد.
   ماژول آموزشی Stacking Ensemble. مجموعه فراداده ایجاد شده از طریق یادگیری ماژول یادگیری سطح پایه شامل داده های عددی است که مقادیر پیش بینی را به عنوان احتمال بیان می کند. در ماژول یادگیری گروه انباشته، معمولاً از یک مدل خطی نسبتا ساده برای ترکیب نتایج پیش‌بینی‌شده توسط ماژول یادگیری سطح پایه و اطمینان استفاده می‌شود [ ۱۷ ]. بنابراین، LR و SVM به عنوان تکنیک‌های یادگیری ماشین برای آموزش متا مجموعه در ماژول یادگیری گروه انباشته این مطالعه استفاده شد. برای جزئیات بیشتر در مورد ماژول یادگیری گروه انباشته به شکل ۲ مراجعه کنید . نتیجه با آموزش متا مجموعه با استفاده از ماژول یادگیری گروه انباشته محاسبه شد.
   
4. مطالعه تجربی
   ۴٫۱٫ طراحی تجربی
   داده های مورد استفاده در این مطالعه یک ویژگی سری زمانی را نشان می دهد. برای انعکاس این گرایش سری زمانی، داده‌های آموزشی با تقسیم داده‌ها به سال‌ها برای افزایش استحکام مدل آموخته‌شده به‌دست آمد. با توجه به اینکه هدف پیش‌بینی تقاضای لوازم جانبی تعمیر در سال ۲۰۱۷ بود، داده‌های سال‌های ۲۰۱۰ تا ۲۰۱۵ به‌عنوان متغیرهای ورودی مورد استفاده قرار گرفت و برای پیش‌بینی تقاضا برای قطعات یدکی در سال ۲۰۱۶ آموزش دید.
   شاخص های عملکرد. دقت، دقت، یادآوری و امتیاز F1 که معمولاً در مسائل طبقه‌بندی استفاده می‌شود، به عنوان شاخص‌های ارزیابی استفاده شد. علاوه بر این، ما ناحیه زیر منحنی مشخصه عملکرد گیرنده (AUROC) و ناحیه زیر منحنی فراخوان دقیق (AUPR) را بررسی کردیم که می‌تواند استحکام مدل را نشان دهد. AUROC یک عدد واقعی بین ۰٫۵ تا ۱ است و اگر به ۱ نزدیکتر باشد بهتر از مدل است. محور x AUPR به یک فراخوان تبدیل می شود و محور y به دقت تبدیل می شود. AUPR زیر آن منطقه می شود. معادلات هر شاخص ارزیابی به شرح زیر است:
   واقعی: بله، پیش بینی شده: بله = TP (مثبت واقعی)،
   واقعی: بله، پیش بینی شده: خیر = FP (مثبت کاذب)،
   واقعی: خیر، پیش بینی شده: بله = FN (منفی کاذب)،
   واقعی: خیر، پیش بینی شده: خیر = TN (منفی واقعی)
   میزان دقت = (TP + TN)/(TP + FP + FN + TN)
   فراخوان = TP/(TP + FN)، دقت = TP/(TP + FP)،
   ویژگی = TN/(TN + FP)، امتیاز F1 = 2 × فراخوان × دقت/(یادآوری + دقت)
   ۴٫۲٫ نتایج طبقه بندی مدل پایه
   مدل پایه شامل سری های زمانی، یادگیری ماشین و تکنیک های یادگیری عمیق بود. هدف از این تحقیق ارائه مدلی بود که تقاضا را برای یک سال کامل، بر اساس داده های قبلی برای قطعات یدکی، برای شش سال پیش بینی کند. از آنجایی که از داده‌های تاخیر بر اساس قطعات یدکی برای تایید و ارزیابی استفاده می‌شود، اعتبارسنجی متقاطع با طبقه‌بندی تصادفی پنج برابری انجام شد. برای عادلانه بودن آزمایش، قطعات یدکی که باید در طول زمان ارزیابی شوند، همیشه از همان گروه انتخاب می شدند. روش مدل پایه، وضعیت قطعات یدکی را به نمایش اعداد صحیح باینری [۰، ۱] با توجه به وقوع مورد تبدیل کرد.
   همانطور که در جدول ۲ نشان داده شده است ، مدل مبتنی بر یادگیری ماشین از مدل سری زمانی تک متغیره سنتی بهتر عمل کرد. به طور خاص، مدل مبتنی بر درخت عملکرد کلی عالی را از نظر دقت و امتیاز F1 نشان داد. شکل ۳ و شکل ۴ نشان می دهد که نمرات AUROC و AUPR نیز به طور قابل توجهی بالا بودند. مدل مبتنی بر یادگیری عمیق ارزش یادآوری بالایی را نشان داد. زمان اجرا (ET) زمان مورد نیاز نسبت به تعداد عملیات مورد نیاز برای انجام عملیات بر اساس مقادیر ورودی و تغییرات الگوریتم است. با توجه به ET های حاصل از نتایج، روش پیشنهادی را می توان در زمان واقعی اعمال کرد.
   ریاضی ۱۱ ۰۰۵۰۱ g003 550شکل ۳٫ مقایسه سطح زیر منحنی مشخصه عملکرد گیرنده (AUROC) برای مدل پایه.
   ریاضیات ۱۱ ۰۰۵۰۱ g004 550شکل ۴٫ مقایسه مساحت زیر منحنی فراخوان دقیق (AUPR) برای مدل پایه.
   جدول ۲٫ مقادیر عملکرد مدل های پایه.
   جدول
   ۴٫۳٫ نتایج طبقه بندی با استفاده از مدل گروه انباشته به دست آمد
   سه مدل برای مدل مجموعه انباشته ایجاد شد که فقط بر اساس الگوریتم یادگیری ماشین (ML)، فقط بر اساس الگوریتم یادگیری عمیق (DL) و بر اساس ترکیبی از ML و DL (ML + DL) است. به طور کلی، مدل مجموعه انباشته از نظر دقت و امتیاز F1، همانطور که در جدول ۳ نشان داده شده است، از مدل پایه بهتر عمل کرد . علاوه بر این، شکل ۵ نشان می دهد که امتیازات AUROC و AUPR برای مدل انباشتگی افزایش یافته است. در میان مدل‌های مجموعه انباشته پیشنهادی، مدل‌های LR (ML) و LR (ML + DL) که هر دو بالاترین عملکرد را داشتند، به دقت ۸۰٫۵٪ و امتیاز F1 79.2٪ دست یافتند.
   ریاضی ۱۱ ۰۰۵۰۱ g005 550شکل ۵٫ مقایسه سطح زیر منحنی مشخصه عملکرد گیرنده (AUROC) و ناحیه زیر منحنی فراخوان دقیق (AUPR) برای مدل مجموعه انباشته.
   جدول ۳٫ مقادیر عملکرد مدل های مجموعه انباشته.
   جدول
   با وجود دقت و دقت برتر SVM، LR در ماژول یادگیری گروه انباشته بهتر از SVM از نظر فراخوانی و امتیاز F1 عمل کرد. هنگامی که مدل یادگیری عمیق سری زمانی استفاده شد، مقادیر دقت و یادآوری کمی نسبت به SVM (ML + DL) و SVM (DL) برتر بود. مدل مجموعه انباشته مبتنی بر یادگیری عمیق، یادآوری بالایی را ارائه می‌دهد، مشابه مدل پایه. استفاده از یک ماژول یادگیری گروه انباشته مناسب با در نظر گرفتن شاخص های ارزیابی لازم در این زمینه ضروری است.
5. نتیجه گیری ها
   سری های زمانی، یادگیری ماشین، یادگیری عمیق، و تکنیک های تعمیم انباشته برای پیش بینی تقاضا برای قطعات یدکی استفاده شد. تکنیک های تعمیم انباشته از روش سری زمانی موجود بهتر عمل کردند.
   بخش قابل توجهی از موجودی مهمات را قطعات یدکی تشکیل می دهد که درصد بالایی از موجودی را تشکیل می دهد. بنابراین، یک پیشرفت کوچک در پیش بینی قطعات یدکی می تواند صرفه جویی قابل توجهی در هزینه ها و آمادگی بیشتر در زمان جنگ را تضمین کند. برای مدل‌های با دقت بالا، گسترش داده‌ها با در نظر گرفتن پیش‌بینی تقاضای متناوب و استفاده از روش رقابت M4 (روز، ماه، سه ماهه، نیمه، سال) مورد نیاز است. تاکنون تنها داده‌های ساختاریافته در نظر گرفته می‌شد، اما داده‌های بدون ساختار نیز برای افزایش دقت پیش‌بینی‌های تقاضای آتی در نظر گرفته می‌شوند.
   مشارکت های نویسنده
   مفهوم سازی، SWH; روش، J.-DK، T.-HK و SWH. نوشتن-پیش نویس اصلی، J.-DK، T.-HK و SWH همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.
   منابع مالی
   این تحقیق همچنین توسط کمک مالی موسسه کره برای پیشرفت فناوری (KIAT) با بودجه دولت کره (MOTIE) (P0008691، برنامه توسعه شایستگی برای متخصص صنعت) پشتیبانی شد. این تحقیق توسط کمک مالی بنیاد تکنو کمپلکس کره (R2112652) پشتیبانی شد.
   بیانیه هیئت بررسی نهادی
   قابل اجرا نیست.
   بیانیه رضایت آگاهانه
   قابل اجرا نیست.
   بیانیه در دسترس بودن داده ها
   قابل اجرا نیست.
   تضاد علاقه
   نویسندگان هیچ تضاد منافع را اعلام نمی کنند.
   اختصارات
   در این نسخه از اختصارات زیر استفاده شده است:
   صبح میانگین حسابی
   SMA میانگین متحرک ساده
   WMA میانگین متحرک وزنی
   LMA میانگین متحرک خطی
   LS کمترین مربعات
   LR رگرسیون لجستیک
   NB بیز ساده لوح
   KNN k-نزدیک ترین همسایه
   SVM ماشین بردار پشتیبانی
   DT درخت تصمیم
   RF جنگل تصادفی
   AB AdaBoost
   XGB XGBoost
   LGBM LightGBM
   CB تقویت گربه
   MLP پرسپترون چند لایه
   RNN شبکه عصبی مکرر
   LSTM حافظه کوتاه مدت بلند مدت
   GRU واحد برگشتی دروازه ای
   ۱DCNN شبکه های عصبی کانولوشنال ۱ بعدی
   AttRNN شبکه عصبی بازگشتی توجه
   AttLSTM توجه به حافظه کوتاه مدت
   AttGRU واحد بازگشتی با دریچه توجه
   AUROC ناحیه زیر منحنی مشخصه عملکرد گیرنده
   AUPR ناحیه زیر منحنی فراخوان دقیق
   و زمان اجرا
   منابع
   آدامز، جی ال. آبل، جی بی. Isaacson، KE مدلسازی و پیش بینی تقاضا برای قطعات یدکی قابل بازیافت هواپیما . شماره RAND/R-4211-AF/OSD; Rand Corp.: Santa Monica، CA، USA، ۱۹۹۳٫ [ Google Scholar ]
   فیشر، ام. هاموند، جی. اوبرمایر، دبلیو. رامان، الف. پیکربندی یک زنجیره تامین برای کاهش هزینه عدم قطعیت تقاضا. تولید اپراتور مدیریت ۱۹۹۷ ، ۶ ، ۲۱۱-۲۲۵٫ [ Google Scholar ] [ CrossRef ]
   کیم، جی. رویکرد مبتنی بر متن کاوی برای پیش‌بینی تقاضای قطعات یدکی تانک‌های KX. در مجموعه مقالات کنفرانس بین المللی IEEE 2018 در زمینه مهندسی صنایع و مدیریت مهندسی (IEEM)، بانکوک، تایلند، ۱۶ تا ۱۹ دسامبر ۲۰۱۸؛ صفحات ۱۶۵۲-۱۶۵۶٫ [ Google Scholar ]
   بوسدکیس، ا. آپوستلو، دی. منتزاس، جی. نگهداری پیش‌بینی‌کننده در انقلاب صنعتی چهارم: مزایا، فرصت‌های تجاری و پیامدهای مدیریتی. مهندس IEEE مدیریت Rev. 2019 , 48 , 57–۶۲٫ [ Google Scholar ] [ CrossRef ]
   رگاتری، آ. گامبری، م. گامبرینی، آر. Manzini, R. مدیریت تقاضای یکجا برای قطعات یدکی هواپیما. J. Air Transp. مدیریت ۲۰۰۵ ، ۱۱ ، ۴۲۶-۴۳۱٫ [ Google Scholar ] [ CrossRef ]
   کیم، جی. لی، اچ. چوی، اس. رویکرد مبتنی بر یادگیری ماشینی برای پیش‌بینی تقاضا برای موشک‌های ضد هوایی. در مجموعه مقالات پنجمین کنفرانس بین المللی IEEE در زمینه مهندسی صنایع و برنامه های کاربردی (ICIEA) 2018، سنگاپور، ۲۶-۲۸ آوریل ۲۰۱۸؛ صص ۳۶۷-۳۷۲٫ [ Google Scholar ]
   سانچز، آ. Sunmola، F. عوامل موثر بر اثربخشی تعمیر و نگهداری ناب و تعمیرات اساسی در هوانوردی. در مجموعه مقالات سمپوزیوم بین المللی مهندسی صنایع و مدیریت عملیات، رباط، مراکش، ۱۱ تا ۱۳ آوریل ۲۰۱۷؛ صص ۸۵۵-۸۶۳٫ [ Google Scholar ]
   براون، BB ویژگی های تقاضا برای قطعات یدکی هواپیما ; شرکت رند: سانتا مونیکا، کالیفرنیا، ایالات متحده آمریکا، ۱۹۵۶٫ [ Google Scholar ]
   اولریش، ام. جانکه، اچ. لانگروک، آر. پش، آر. Senge، R. انتخاب مدل مبتنی بر طبقه بندی در پیش بینی تقاضای خرده فروشی. بین المللی J. پیش بینی. ۲۰۲۲ ، ۳۸ ، ۲۰۹-۲۲۳٫ [ Google Scholar ] [ CrossRef ]
   چت فیلد، سی. پیش بینی سری های زمانی ; چپمن و هال/CRC: لندن، بریتانیا، ۲۰۰۰٫ [ Google Scholar ]
   Rahamneh, A. استفاده از هموارسازی نمایی تک و دوگانه برای تخمین تعداد جراحات و تلفات ناشی از تصادفات رانندگی در اردن (۱۹۸۱-۲۰۱۶). خاورمیانه J. Sci. Res. 2017 ، ۲۵ ، ۱۵۴۴-۱۵۵۲٫ [ Google Scholar ]
   Hand, DJ اصول داده کاوی. Drug Saf. 2007 ، ۳۰ ، ۶۲۱-۶۲۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
   Kass, GV یک تکنیک اکتشافی برای بررسی مقادیر زیادی از داده های طبقه بندی شده. Appl. آمار ۱۹۸۰ ، ۲۹ ، ۱۱۹-۱۲۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
   بنژیو، ی. کورویل، آ. وینسنت، پی. یادگیری بازنمایی: بررسی و دیدگاه‌های جدید. IEEE Trans. الگوی مقعدی ماخ هوشمند ۲۰۱۳ ، ۳۵ ، ۱۷۹۸-۱۸۲۸٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
   Schmidhuber, J. یادگیری عمیق در شبکه های عصبی: یک مرور کلی. شبکه عصبی ۲۰۱۴ ، ۶۱ ، ۸۵-۱۱۷٫ [ Google Scholar ]
   Werbos، PJ Backpropagation در طول زمان: چه کاری انجام می دهد و چگونه آن را انجام دهیم. Proc. IEEE 1990 ، ۷۸ ، ۱۵۵۰-۱۵۶۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
   Kumpati، SN; کانن، ص. شناسایی و کنترل سیستم های دینامیکی با استفاده از شبکه های عصبی. IEEE Trans. شبکه عصبی ۱۹۹۰ ، ۱ ، ۴-۲۷٫ [ Google Scholar ]
   میکولوف، تی. کرفیات، م. بورگت، ال. سرنوکی، جی. خودانپور، اس. مدل زبان مبتنی بر شبکه عصبی بازگشتی. Interspeech 2010 , 2 , 1045-1048. [ Google Scholar ]
   هوکرایتر، اس. Schmidhuber, J. حافظه کوتاه مدت طولانی. محاسبات عصبی ۱۹۹۷ ، ۹ ، ۱۷۳۵-۱۷۸۰٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
   چانگ، جی. گلچهره، سی. چو، ک. Bengio، Y. ارزیابی تجربی شبکه‌های عصبی بازگشتی دروازه‌ای در مدل‌سازی توالی. arXiv 2014 ، arXiv:1412.3555. [ Google Scholar ]
   یاماشیتا، آر. نیشیو، م. انجام دهید، RKG؛ توگاشی، ک. شبکه های عصبی کانولوشن: مروری و کاربرد در رادیولوژی. Insights Imaging 2018 ، ۹ ، ۶۱۱–۶۲۹٫ [ Google Scholar ]
   لی، ایکس. خو، ی. ژانگ، ایکس. شی، دبلیو. یو، ی. لی، کیو. بهبود پیش‌بینی تقاضای اشتراک‌گذاری کوتاه‌مدت دوچرخه از طریق یک شبکه عصبی کانولوشنال نامنظم. ترانسپ Res. قسمت C Emerg. تکنولوژی ۲۰۲۳ ، ۱۴۷ ، ۱۰۳۹۸۴٫ [ Google Scholar ] [ CrossRef ]
   ویلالتا، آر. دریسی، ی. دیدگاه و بررسی دیدگاه فرا یادگیری. آرتیف. هوشمند Rev. 2002 , 18 , 77-95. [ Google Scholar ] [ CrossRef ]
   بریمن، ال. پیش بینی کننده های بگینگ. ماخ فرا گرفتن. ۱۹۹۶ ، ۲۴ ، ۱۲۳-۱۴۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
   تعمیم ولپرت، DH Stacked. شبکه عصبی ۱۹۹۲ ، ۵ ، ۲۴۱-۲۵۹٫ [ Google Scholar ] [ CrossRef ]
   تینگ، KM; Witten، IH مسائل در تعمیم انباشته. جی آرتیف. هوشمند Res. 1999 ، ۱۰ ، ۲۷۱-۲۸۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
   ما، ز. وانگ، پی. گائو، ز. وانگ، آر. خلیقی، ک. مجموعه الگوریتم های یادگیری ماشینی با استفاده از رویکرد تعمیم انباشته برای تخمین دوز وارفارین. PLoS ONE 2018 , 13 , e0205872. [ Google Scholar ] [ CrossRef ] [ PubMed ]
   سلب مسئولیت/یادداشت ناشر: اظهارات، نظرات و داده های موجود در همه نشریات صرفاً متعلق به نویسنده(ها) و مشارکت کننده(ها) است و نه MDPI و/یا ویرایشگر(ها). MDPI و/یا ویراستار(های) مسئولیت هرگونه آسیب به افراد یا دارایی ناشی از هر ایده، روش، دستورالعمل یا محصولات اشاره شده در محتوا را رد می کنند.

© ۲۰۲۳ توسط نویسندگان. دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC BY) ( https://creativecommons.org/licenses/by/4.0/ ) توزیع شده است.
به اشتراک بگذارید و استناد کنید

MDPI و ACS Style
کیم، جی.-دی. کیم، T.-H. Han, SW پیش‌بینی تقاضای قطعات یدکی با استفاده از هوش مصنوعی: مطالعه موردی مخازن KX. ریاضیات ۲۰۲۳ , ۱۱ , ۵۰۱٫ https://doi.org/10.3390/math11030501

سبک AMA
کیم جی دی، کیم تی، هان سو. پیش بینی تقاضای قطعات یدکی با استفاده از هوش مصنوعی: مطالعه موردی مخازن KX. ریاضی . ۲۰۲۳; ۱۱ (۳): ۵۰۱٫ https://doi.org/10.3390/math11030501

شیکاگو/سبک تورابین
کیم، جائه دونگ، ته هیونگ کیم و سونگ وون هان. ۲۰۲۳٫ “پیش بینی تقاضای قطعات یدکی با استفاده از هوش مصنوعی: مطالعه موردی مخازن KX” ریاضیات ۱۱، شماره. ۳: ۵۰۱٫ https://doi.org/10.3390/math11030501J

منبع:

https://www.mdpi.com/2227-7390/11/3/501