Analiza efektywności wykorzystania kryteriów informacyjnych w prognozowaniu zapotrzebowania na części zamienne

• Autorzy: Maria Rosienkiewicz

Warianty tytułu

Efficiency Analysis of Information Criteria Application in Spare Parts Demand Forecasting

• Języki publikacji: PL

Abstrakty

W artykule przedstawiono klasyczne metody prognozowania zapotrzebowania na części zamienne oraz nowy trend w tej dziedzinie - wykorzystanie jednej z metod sztucznej inteligencji - sztucznych sieci neuronowych SSN (Artificial Neural Networks, ANN).

EN

Both modern logistics and philosophy of Kaizen and Lean Management have common roots - Toyota Production System. Despite the common roots of their evolution during the last 60th year ran slightly different ways. Logistics has focused primarily on the business environment, Lean Management and Kazien on optimizing flows within company. Research, presented in this article, are the tools used to diagnose Kazien and Lean Management in Polish enterprises and the answer to the question whether the use of these tools would improve the functioning of logistics in the company. (original abstract)

Słowa kluczowe

PL

Logistyka; Gospodarka materiałowa; Metody prognozowania; Sztuczne sieci neuronowe (SSN)

EN

Logistics; Material economy; Forecasting methods; Artificial neural networks (ANN)

• Czasopismo: Gospodarka Materiałowa i Logistyka
• Rocznik: 2013
• Numer: nr 5
• Strony: 11--21

Twórcy

autor

Maria Rosienkiewicz

• Politechnika Wrocławska

Bibliografia

• J. Helman, Model realizacji zamówienia z wykorzystaniem systemu planowania zasobów przedsiębiorstwa, Gospodarka Materiałowa i Logistyka 2012, nr l, s. 18.
• Chlebus, Techniki komputerowe CAx w inżynierii produkcji, Wydawnictwa Naukowo-Techniczne, Warszawa 2000, s. 71-72.
• M. Gruszczyński, T. Kuszewski, M. Podgórska, Ekonometria i badania operacyjne, Wydawnictwo Naukowe PWN, Warszawa 2009, s. 115.
• J.D. Croston, Forecasting and Stock Control for Intermittent Demand, Operational Research Quarterly 1972, 23 (3), s. 289-303.
• A.A. Syntetos, J.E. Boylan, On the stock control performance of intermittent demand estimators, International Journal of Production Economics, 103, s. 36-47.
• E. Kardas, Prognozowanie produkcji jako czynnik kształtujący poziom zapasów w przedsiębiorstwie hutniczym, Logistyka 2010, nr 4.
• R. Knosala, Zastosowania metod sztucznej inteligencji w inżynierii produkcji, Wydawnictwa Naukowo-Techniczne, Warszawa 2002, s. 178.
• R. Tadeusiewicz, Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami, Akademicka Oficyna Wydawnicza PLJ, Warszawa 1998, s. 23.
• P. Kozik, J. Sęp, Aircraft engine overhaul demand forecasting using ANN, Management and Production Engineering Review, Vol. 3, No. 2, Czerwiec 2012, s. 21-26.
• M.R. Amin-Naseri, B. Rostami Tabar, Neural Network Approach to Lumpy Demand Forecasting for Spare Parts in Process Industries, Proceedings of the International Conference on Computer and Communication Engineering 2008, May 13-15, Kuala Lumpur, Malaysia.
• A. Nasiri Pour, B. Rostami Tabar, A. Rahimzadeh, A Hybrid Neural Network and Traditional Approach for Forecasting Lumpy Demand, World Academy of Science, Engineering and Technology 2008 40.
• M. Rosienkiewicz, Porównanie metod Akaike i Hellwiga w zakresie efektywności konstrukcji modelu regresyjnego, Wiadomości Statystyczne 2012, nr 10.
• J.E. Cavanaugh, R.H. Shumway, An Akaike Information Criterion for Model Selection in the Presence of Incomplete Data, Journal of Statistical Planning and Inference, Volume 67, Issue l, 16 March 1998.
• T.W. Arnold, Uninformative Parameters and Model Selection Using Akaike's Information Criterion, Journal of Wildlife Management 74 (6): 1175-1178; 2010; DOI: 10.2193/2009-367, s. 1175-1178.
• G. Schwarz, Estimating the dimension of a model. The Annals of Statistics 1978, Vol. 6, No. 2, s. 461-464.
• H. Acąuah de-Graft, Comparison of Akaike information criterion (AIC) and Bayesian information criterion (BIĆ) in selection of an asymmetric price relationship, Journal of Development and Agricultural Economics Vol. 2 (1) pp. 001-006, January, 2010.
• D. Ramos, J. Gonzalez-Rodriguez, Cross-entropy Analysis of the Information in Forensic Speaker Recognition, Proceedings of IEEE Oddysey, January 2008.
• S. Boltz, E. Debreiwe, M. Barlaud, kNN-based high-dimensional Kullback-Leibler distance for tracking, Eighth International Workshop on Image Analysis for Multimedia Interactive Semices (WIAMIS'07), IEEE 2007.
• J. Dziechciarz, Ekonometria. Metody, przykłady, zadania, Wydawnictwo Akademii Ekonomicznej im. Oskara Langego we Wrocławiu, Wrocław 2002, s. 51-52.