CN企业备件库存聚类及需求预测方法研究
发布时间：2017-04-25 21:09
本文关键词：CN企业备件库存聚类及需求预测方法研究，，由笔耕文化传播整理发布。
【摘要】：经济快速增长,致使人均可支配收入增加,用户对于产品的需求呈现多样化趋势。为满足消费者的需求,生产制造企业的产品类型随之增加,储备的备件种类也急剧增长,庞大的备件储备量在造成资源浪费的同时增加了企业的运营风险。为协助企业进行备件库存管理,维持合理的库存水平,以CN企业为研究对象,对备件库存聚类及需求预测方法进行研究,为制定科学的备件库存计划提供依据。首先对CN企业进行实地调研,深入分析备件库存管理现状,了解企业备件管理现存问题,研究备件库存特点,为后续研究提供事实依据。在以往文献的基础上,对备件库存聚类、需求预测相关理论进行分析,比较各聚类方法、需求预测方法的特点及其适用性,为选取合理的聚类、预测方法奠定理论基础。然后以CN企业备件库存数据为基础,以“需求量变化是否具有相似性”为聚类准则,在分析聚类方法的基础上,选择Minkowski巨离衡量指标间的相似度,利用类平均法衡量类间距离,选择系统聚类法利用SPSS软件对备件库存进行聚类。研究表明CN企业中约80%的备件是慢速移动型需求备件。最后根据备件聚类结果,首先研究稳定型备件的需求预测方法,利用Eviews、 SPSS软件,选取ARIMA模型对稳定型备件进行需求预测,通过ADF检验、季节性差分、ACF/PACF截尾性判断,构建S ARIMA模型。后研究慢速移动型备件的需求预测方法,选取组合预测法—-FIG-SVM,基于MATLAB及LIBSVM工具箱对慢速移动型备件进行需求预测,对需求序列进行模糊粒子化处理、优化SVM模型参数,构建FIG-SVM模型。通过与多种预测方法进行精度比较可知,使用Eviews软件基于SRIMA模型可准确预测CN企业稳定型备件的需求,基于FIG-SVM模型可准确预测CN企业慢速移动型备件的需求。
【关键词】：备件 聚类分析法 ARIMA模型 FIG-SVM模型
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F274;F426.472
【目录】：
- 摘要6-7
- Abstract7-12
- 第1章 绪论12-20
- 1.1 研究背景及意义12-14
- 1.1.1 研究背景12-13
- 1.1.2 研究意义13-14
- 1.2 国内外研究现状14-17
- 1.2.1 备件聚类方法研究14
- 1.2.2 备件需求预测方法研究14-17
- 1.3 研究内容及技术路线17-20
- 1.3.1 研究内容17-18
- 1.3.2 技术路线18-20
- 第2章 备件聚类及需求预测方法研究20-30
- 2.1 备件概述20-21
- 2.2 备件聚类方法21-23
- 2.2.1 备件聚类准则研究21-22
- 2.2.2 备件聚类方法研究22-23
- 2.3 备件需求预测方法23-28
- 2.3.1 ARIMA模型23-25
- 2.3.2 支持向量机25-26
- 2.3.3 循环神经网络26-27
- 2.3.4 其他预测模型27-28
- 2.4 本章小结28-30
- 第3章 CN企业备件库存管理现状分析30-44
- 3.1 企业概述30-31
- 3.2 备件库存管理现状31-38
- 3.2.1 仓库布局31-35
- 3.2.2 部门职责35-36
- 3.2.3 业务流程36-38
- 3.3 备件库存现状分析38-43
- 3.3.1 备件库存特点分析38-42
- 3.3.2 库存不合理性分析42-43
- 3.4 本章小结43-44
- 第4章 CN企业备件库存聚类方法研究44-57
- 4.1 系统聚类算法研究44-48
- 4.1.1 系统聚类法44-45
- 4.1.2 相似性度量方法45-46
- 4.1.3 类间距离度量46-48
- 4.2 算例分析48-55
- 4.2.1 数据预处理48
- 4.2.2 聚类算例分析48-55
- 4.3 本章小结55-57
- 第5章 CN企业备件需求预测方法研究57-84
- 5.1 ARIMA稳定型需求预测模型57-70
- 5.1.1 构建ARIMA预测模型58-60
- 5.1.2 Eviews算例分析60-66
- 5.1.3 SPSS算例分析66-70
- 5.2 FIG-SVR慢速移动型需求预测模型70-80
- 5.2.1 模糊信息粒化71-72
- 5.2.2 构建FIG-SVR预测模型72-75
- 5.2.3 算例分析75-80
- 5.3 预测模型合理性分析80-83
- 5.3.1 预测评价方法80-81
- 5.3.2 预测模型分析81-83
- 5.4 本章小结83-84
- 结论与展望84-86
- 致谢86-87
- 参考文献87-92
- 附录1 原始数据92-97
- 附录2 预测结果97-100
- 附录3 ARIMA模型预测参数100-103
- 附录4 FIG-SVM预测程序103-109
- 攻读硕士学位期间发表的论文及科研成果109
【参考文献】
中国期刊全文数据库 前10条
1 胡景焕;;基于时间序列分析的葡萄酒指数预测方法[J];中外葡萄与葡萄酒;2015年01期
2 谢娟英;王艳娥;;最小方差优化初始聚类中心的K-means算法[J];计算机工程;2014年08期
3 朱e
本文编号：327078
本文链接：https://www.wllwen.com/jingjilunwen/xmjj/327078.html
