پیش بینی تقاضای قطعات یدکی خودرو با استفاده از روشهای سری زمانی (آریما)

خرید این محصول

» :: پیش بینی تقاضای قطعات یدکی اتومبیل با استفاده از روشهای سری زمانی (آریما)

با توجه به ویژگی های تقاضای قطعات یدکی انگیزه مشکلاتی در پیش بینی این سنخ تقاضاها شده است.  تعدد زیاد قطعات یدکی خودرو ، رفتار تصادفی آنها در طول دوران و صفر بودن تقاضا در بسیاری از پریودها پیش بینی میزان استعمال را به یکی از بزرگترین چالش های پیش روی شرکتهای خودروسازی و تأمین کنندگان قطعات تبدیل کرده است.  

مدلهای پیش بینی سری زمانی:

چندین آیین متفاوت به سمت منظور مدلسازی سری های زمانی وجود دارند. مدلهای آماری شامل میانگین متحرک ، هموارسازی نمایی و آریما خطی می باشند که در آنهاپیش بینی مقادیر آینده به این سوژه محدود شده است که مقادیر آینده توابع خطی از مشاهدات پیش باشند. اینگونه روشها به سمت دلیل سادگی نسبی در فهم و به کارگیری ، در تحقیقات چند دهه اخیر بسیار مورد توجه بوده اند. برای استیلا بر محدودیت خطی بودن الگو و به حساب آوردن الگوهای غیرخطی مشخص در مسائل واقعی ، چندین نوع مختلف از مدل های غیر خطی در ادبیات موضوع پیشنهاد شده استکه از جمله مهمترین آنها می توان به اتورگرسیو شرطی (ARCH) ، دو خطی و اتورگرسیو آستانه ای (TAR) اشاره نمود. اگرچه مدلهای غیرخطی مذکور بهبودهایی در مسائل پیش بینی ایجاد نموده اند ، لیک به کار گیری آنها در حالت کلی محدود می باشد چراکه اینگونه مدلها تنها برای الگوهای غیرخطی خاصی طراحی شده اند و قادر به مدلسازی انواع دیگر سری های زمانی غیر خطی نمی باشند. اخیرا شبکه عصبی مصنوعی به عنوان یک جایگزین مناسب جانب مدلسازی سری های زمانی پیشنهاد شده اند. نقطه تاب اصلی شبکه های عصبی مصنوعی قابلیت مدلسازی غیرخطی انحراف پذیر آنهاست. در ادامه این نوشته به سمت تشریح اصول اساس فرآیند مدلسازی توسط مدل آرما و آریما پرداخته خواهد شد.

خرید این محصول

کامپیوتر 14. بررسی الگوه های دوره ای غیرهمزمان (اسنکرون) در اطلاعات سری زمانی

خرید این محصول

» :: کامپیوتر 14. بررسی الگوه های دوره ای غیرهمزمان (اسنکرون) در اطلاعات سری زمانی

بررسی الگوه های دوره ایا غیرهمزمان (اسنکرون) در اطلاعات سری زمانی

چکیده

بازیابی دوره ایا اطلاعات پوشیده زمانی به عنوان یک مسئله چالش انگیز می باشد که دارای اهمیت زیادی در بسیاری از کاربردها می باشد. اکثر پرکاری های دیرینه تمرکز خود را بر روی بررسی الگوه های دوره ای غیرهمزمان قرار داده و حضور الگوه های تغییر یافته را به دلیل مداخله مشکلات تصادفی مد نظر قرار نمی دهد. باب این مقاله , ما یک الگو انعطاف پذیرتری را در ارتباط با الگوه های نامتقارن دوره ای مطرح می کنیم که تنها در این توالی مد نظر قرار گرفته و وقوع آن ها به دلیل وجود این اختلافات انتقال می یابد. دو پارامتر یعنی min_rep  و max_dis  به پیشه گرفته باده شوند تا به تعیین حداقل تعداد تکرارها که در هر بخش مربوط به وقوع این الگوه ها روی می دهد  و حداکثر این موارد که باعث ایجاد یک توزیع بین این دو بخش های متوالی می گردد , بپردازد. برای جبران کردن این دو مورد , بلندترین تسلسل مربوط به سمت این الگوه ها برگشت داده می شود. یک الگوریتم تاخت بار ای طراحی می گردد تا در ابتدا به ایجاد پتانسیل های دوره ای توسط فرایندهای فاصله محور گشته که توسط یک رویکرد تکراری برای کسب و تایید الگوه های کاندیدا و مد نظر قرار دادن یک توالی بلند مدت , دنبال می گردد. ما همچنین نشان باده دهیم که این الگوریتم خیر تنها پیچیدگی های زمانی خطی را با توجه به طول این توالی ها ایجاد می کند بلکه یک کارایی فاصله ای را ایجاد می کند.  

کلمات کلیدی. الگوهای دوره ای غیرهمزمان , روش های بهر آسه , دوره ای بودن بخشی.

خرید این محصول