کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6894448 1445923 2018 36 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Markov chain modeling and forecasting of product returns in remanufacturing based on stock mean-age
ترجمه فارسی عنوان
مدل سازی زنجیره مارکوف و پیش بینی بازده محصولات در بازسازی بر اساس میانگین سهام
کلمات کلیدی
مدیریت زنجیره تامین، بازسازی، پیش بینی بازده محصول، زنجیره تامین حلقه بسته، اقتصاد مدرن،
ترجمه چکیده
یک روش برای پیش بینی زمان واقعی بازده محصول در بازسازی ارائه شده است. این مقدار مقدار بازده های قریب الوقوع و ویژگی های کیفیت مانند توزیع سن و تعداد چرخه های گذشته را تعیین می کند. داده های مورد نیاز در زمان واقعی شامل میانگین سن سهام، مقدار مقیاس (میانگین جمعیت) قابل اعتماد نظارت، حتی از نمونه های سهام کوچک یا غیرمتمرکز، حداکثر و حداقل سن در نمونه های بازگشت و حجم گذشته تقاضای یا فروش خالص. پارامترهای مشخص توزیع بازگشت (محور مرکز و گسترش) در زمان واقعی به روز می شود. این روش به طور پیوسته احتمال احتباس در هر دوره زمانی را تعیین می کند، یک متغیر تصادفی کلیدی که گره زنجیره تامین دینام بسته بسته است. توالی احتمالات احتباس در اصطلاحات صریح برای جریان بازگشت محصول و توزیع سن (شاخص کیفیت) بر مبنای نمایندگی مارکف سهام و جریان استفاده شده است. این مدل اجازه می دهد تا به طور تصادفی تصادفی از دست دادن اولیه و غیرواقعی، تقاضای ناامن و استفاده متفاوت از بازده قابل استفاده مجدد. شبیه سازی مونت کارلو زنجیره مارکوف امکان سنجش اثربخشی روش پیش بینی را فراهم می کند. با استفاده از اطلاعات قابل اعتماد و جاری، روش ممکن است برآوردهای بازدهی محصول نسبت به مدل های خطی که مربوط به بازدهی گذشته و یا بازدهی گذشته است، ارائه دهد و از رگرسیون های معمولی، حداقل مربعات بازگشتی یا روش های شناسایی سازگاری استفاده کند. بازدهی پیش بینی به ترتیب با خطای مطلق متوسط ​​یا انتگرال اندازه گیری شده است و به ویژه در مورد قله ها و مقادیر جریان بازگشتی. نتایج ممکن است برای افزایش بازده با کاهش موجودی سهام و برنامه ریزی کارآمد عملیات بازسازی مفید باشد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر علوم کامپیوتر (عمومی)
پیش نمایش مقاله
مدل سازی زنجیره مارکوف و پیش بینی بازده محصولات در بازسازی بر اساس میانگین سهام
چکیده انگلیسی
A method is presented for real-time forecasting of product returns in remanufacturing. It determines the quantity of imminent returns and quality features such as age distribution and number of past cycles. Required data in real-time include the mean age of stock, a scaled quantity (population average) reliably monitored, even from small-size or decentralized stock samples, the maximum and minimum age in return samples and past volumes of net demand or sales. The characteristic parameters of the return distribution (center axis and spread) are updated in real-time. The method sequentially determines the retention probability in each time period, a key random variable that unties the dynamic closed-loop-supply chain knot. The retention probability sequence is used in explicit expressions for the product return flow and age distribution (a quality index), based on Markov representation of stock and flows. The model allows for arbitrarily random early loss and non-stationarities, uncertain demand and varying utilization of reusable returns. Markov-chain Monte-Carlo simulation enables assessment of the efficacy of the forecasting method. Exploiting reliable, current information, the method may provide improved estimates of product returns compared to linear models that relate returns to past levels of sales and/or returns, and utilize conventional regression, recursive least squares, or adaptive identification methods. Forecasting efficiency is higher as measured by mean or integral absolute error, and particularly so, regarding peaks and lows of the return flow. The results may be useful for enhanced acquisition of returns with reduced stock inventories and efficient planning of remanufacturing operations.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: European Journal of Operational Research - Volume 271, Issue 2, 1 December 2018, Pages 474-489
نویسندگان
,