Prediction of order arrivals and stock outs: an artificial neural network approach
Autor(a) principal: | |
---|---|
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 |