Prediction of order arrivals and stock outs: an artificial neural network approach

Detalhes bibliográficos
Autor(a) principal: Silva, Nathalie Santos da
Data de Publicação: 2015
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/39052
Resumo: Dissertação de Mestrado em Engenharia e Gestão Industrial apresentada à Faculdade de Ciências e Tecnologia da Universidade de Coimbra.
id RCAP_ee51657ab3f10bbd4e8af49da282e414
oai_identifier_str oai:estudogeral.uc.pt:10316/39052
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Prediction of order arrivals and stock outs: an artificial neural network approachPrevisão de chegadas de pedidos e saída de stock: uma abordagem de rede neural artificialSupply ChainResilienceArtificial Neural NetworksPredictionCadeia de AbastecimentoResiliênciaRedes Neuronais ArtificiaisPrevisãoDissertação de Mestrado em Engenharia e Gestão Industrial apresentada à Faculdade de Ciências e Tecnologia da Universidade de Coimbra.Prediction of stock outs is a major issue to increase stability and reaction capacity in supply chains (SCs). Moreover, having such predicted data at the right time empowers the company to act proactively and avoid stock outs. In this thesis, it is stated a methodology, applying artificial neural networks (ANNs), to predict (1) the capacity to fulfil upcoming orders and their time in system and (2) which SC nodes will reach the re-order point and thus, require new orders upstream. That information will give the managers time to act, anticipate and cope with disruptions. It was designed a SC with a simulator to generate data and feed the ANNs. The network was trained and tested with untrained values generated by the simulator. These predictions were performed for different time horizons. The first challenge aims to predict back orders on the retailer along with the time to finish each order. The proposed system achieved a recognition rate (RR) greater than 99% when predicting the events for the next period, and, for an interval of ten future periods, it achieved results around 90%. In the second challenge, the prediction for the next period regarding new orders through all the nodes of the SC outcome RRs of 97%.A capacidade de prever ruturas de stock é um tópico importante que permite, por um lado, o aumento da estabilidade de uma cadeia de abastecimento (SC) e por outro, a capacidade de reação de cada elo que a compõe. Para além disso, ter acesso a essa informação antecipadamente permite às empresas agir proactivamente de modo a evitar ruturas de stock. Nesta tese é apresentada uma metodologia, com a aplicação de redes neuronais artificiais (ANNs) para prever: (1) a capacidade de responder a novas encomendas e, caso o stock não seja suficiente, qual o tempo previsto para completar a encomenda, e (2) quais os elos que vão atingir o nível de stock que irá despoletar uma ordem de encomenda no elo anterior. Essa informação proporciona aos gestores a capacidade de agir, antecipar e gerir problemas de disrupções na SC. Foi desenvolvida uma SC recorrendo a um simulador para gerar valores e usá-los nas ANNs. Essas previsões foram aplicadas para diferentes horizontes temporais. O primeiro desafio consiste em prever ruturas de stock no retalhista, bem como o tempo que este vai demorar a concluir cada encomenda. O método proposto atingiu uma taxa de reconhecimento superior a 99% para prever eventos no período seguinte, e para previsões de dez períodos, atingiu valores de 90%. O segundo desafio, para a previsão de novas encomendas em cada elo da SC referentes ao período seguinte, registou resultados de 97%.2015-07-23info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/39052http://hdl.handle.net/10316/39052TID:201665794engSilva, Nathalie Santos dainfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2022-01-21T17:34:27Zoai:estudogeral.uc.pt:10316/39052Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T20:59:01.404722Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Prediction of order arrivals and stock outs: an artificial neural network approach
Previsão de chegadas de pedidos e saída de stock: uma abordagem de rede neural artificial
title Prediction of order arrivals and stock outs: an artificial neural network approach
spellingShingle Prediction of order arrivals and stock outs: an artificial neural network approach
Silva, Nathalie Santos da
Supply Chain
Resilience
Artificial Neural Networks
Prediction
Cadeia de Abastecimento
Resiliência
Redes Neuronais Artificiais
Previsão
title_short Prediction of order arrivals and stock outs: an artificial neural network approach
title_full Prediction of order arrivals and stock outs: an artificial neural network approach
title_fullStr Prediction of order arrivals and stock outs: an artificial neural network approach
title_full_unstemmed Prediction of order arrivals and stock outs: an artificial neural network approach
title_sort Prediction of order arrivals and stock outs: an artificial neural network approach
author Silva, Nathalie Santos da
author_facet Silva, Nathalie Santos da
author_role author
dc.contributor.author.fl_str_mv Silva, Nathalie Santos da
dc.subject.por.fl_str_mv Supply Chain
Resilience
Artificial Neural Networks
Prediction
Cadeia de Abastecimento
Resiliência
Redes Neuronais Artificiais
Previsão
topic Supply Chain
Resilience
Artificial Neural Networks
Prediction
Cadeia de Abastecimento
Resiliência
Redes Neuronais Artificiais
Previsão
description Dissertação de Mestrado em Engenharia e Gestão Industrial apresentada à Faculdade de Ciências e Tecnologia da Universidade de Coimbra.
publishDate 2015
dc.date.none.fl_str_mv 2015-07-23
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10316/39052
http://hdl.handle.net/10316/39052
TID:201665794
url http://hdl.handle.net/10316/39052
identifier_str_mv TID:201665794
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799133881490735104

Registros relacionados