库存管理中的缺货预测:分类技术和成本考虑
供应链管理中,准确的缺货预测对于优化库存控制、降低成本和提高客户满意度至关重要。本研究提出了一种新的方法论框架,通过使用量子启发技术在量子 - 经典神经网络中对缺货进行有效预测,有效应对大规模数据集处理的挑战。实验评估表明,我们的模型 QAmplifyNet 在处理短且不平衡的数据集方面表现优越,使其成为供应链管理的理想解决方案。此外,为了提高模型的可解释性,我们还运用了可解释的人工智能技术。未来的工作将包括探索更多的量子启发技术、扩展数据集,以及研究其他供应链应用。本研究揭示了量子计算在供应链优化中的潜力,并为在供应链管理中进一步探索量子启发机器学习模型铺平了道路。我们的方法论框架和 QAmplifyNet 模型提供了一种突破性的供应链缺货预测方法,提供卓越性能,并为利用量子启发技术在供应链管理中开辟了新的途径。
Jul, 2023
该研究旨在引入先进的智能零售分析系统(SRAS)来应对零售业面临的挑战,包括低效的排队管理、需求预测不准确和无效的营销策略,并通过利用基于机器学习的创新方法来提高零售效率和增强客户参与度。
Feb, 2024
基于预测模型的最优调度决策在服务系统中的关键是理解预测误差对其他作业的延迟产生的外部性对拥塞的影响。我们在应用中考虑了预测模型与人类服务器交互的情况(例如内容审查),设计了一个基于指标的策略,以近乎最优的方式结合了预测的类别信息,通过对重负载下拥塞成本的特征化来指导预测模型的设计,并针对基于人工智能的任务划分设计了一种新颖的排队系统。我们以实际在线评论为基础,通过微调大型语言模型构建鉴别有毒性的分类器,展示了我们的框架。
Jun, 2024
该研究通过机器学习方法来应对全球供应链面临的复杂性,从而提高供应链安全性。研究集中于通过欺诈检测、维护预测和物料缺货预测来增强供应链安全。引入一种自动化机器学习框架,优化数据分析、模型构建和超参数优化。研究指出了影响机器学习性能的关键因素,包括抽样方法、分类变量编码、特征选择和超参数优化。机器学习方法在处理大规模数据集和复杂模式时显示出优势,为供应链管理领域提供了有价值的贡献。
Jun, 2024
通过多种回归模型,本文尝试预测通用电气(GE)燃气和汽轮机服务和制造业务物流运输的产品可用性日期,并表明树形算法(即 RF 和 GBM)提供了最佳的泛化误差和最佳性能。
Apr, 2023
时序预测对于商业规划起重要作用,但常规预测度量的优化往往无视下游业务目标,导致与商业偏好不符的预测结果。本研究关注库存管理领域,以一种可微的端到端方式计算和优化常见的下游业务度量的代理指标,通过大量的成本权衡情景实证表明端到端优化通常优于对标准商业无关预测度量的优化(对于简单缩放模型最高可达 45.7%,对于 LSTM 编码 - 解码模型最高可达 54.0%)。最后,讨论了研究结果对其他商业环境的潜在益处。
Aug, 2023
本文提出了一种基于深度神经网络和贝叶斯个性化排名的新方法,利用产品嵌入和 skip-gram 模型来捕捉用户的口味、隐含特征和身体形状以预测退货可能性,进行了一些实时实验以减少时装电子商务平台的总退货量。
Jun, 2019
我们提出了一种面向决策的基于学习的方法来解决实际的库存路径规划问题,该方法直接整合了库存预测和路径优化于一个端到端的系统中,可能确保一个稳健的供应链策略。
Nov, 2023
在电子商务零售领域,减少最后一公里配送阶段的包裹丢失是一个重要目标。本文提出了两种机器学习方法,即数据平衡与监督学习(DBSL)和深度混合集成学习(DHEL),以准确预测包裹丢失。我们使用比利时货运的一年数据对所提出的机器学习模型进行了全面评估,结果表明,将前馈自编码器与随机森林相结合的 DHEL 模型实现了最高的分类性能。此外,我们还使用可解释人工智能(XAI)的技术,说明预测模型如何在提升业务流程和增强电子商务零售商的整体价值主张方面发挥作用。
Oct, 2023
研究了基于强化学习的仓库库存管理算法,该算法可以用于产品和零售商数量都庞大的供应链系统,并提供了一种训练阶段中模拟系统的近似方法来解决处理大型系统的计算问题,实验证明了该算法可以成功地处理大型供应链网络。
Apr, 2022