دانلود و نمایش مقالات مرتبط با پیش بینی تقاضا::صفحه 1
بلافاصله پس از پرداخت دانلود کنید

با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد). 

نتیجه جستجو - پیش بینی تقاضا

تعداد مقالات یافته شده: 13
ردیف عنوان نوع
1 Changing the game to compete: Innovations in the fashion retail industry from the disruptive business model
تغییر بازی برای رقابت: نوآوری در صنعت خرده فروشی مد از مدل کسب و کار مخل-2020
Unprecedented competition and emergent technologies have posed a challenge to many traditional retailers in recent years. Yet within this competitive environment, emerging innovative business models have thrived and successfully disrupted the industry. We analyze the nature of disruptive business-model innovations and the ways they disrupt the fashion retail industry. To that end, we examine three disruptors in the industry: born-digital brands, AI-enabled demand forecasting and product design, and collaborative consumption. After introducing the concept of disruptive business-model innovation, we discuss the three disruptors’ effects on the fashion industry. We find that all of these models keenly answer fundamental needs unmet by current business models, such as offering quality products at a competitive price, curated services, and sustainable consumption. At the same time, all three disruptors suggest effective operation models for handling demand uncertainty, inventory management, and timely responses to the market, all of which are inherent issues for current push supply chains and forecast-based, inventory-driven systems. Based on this analysis, we discuss important implications for both academics and industry practitioners.
KEYWORDS: Disruptive innovation | Business model | Inventory management | Demand forecasting | Fashion industry | Online retail
مقاله انگلیسی
2 Electricity demand forecasting for decentralised energy management
پیش بینی تقاضای برق برای مدیریت انرژی غیر متمرکز-2020
The world is experiencing a fourth industrial revolution. Rapid development of technologies is advancing smart infrastructure opportunities. Experts observe decarbonisation, digitalisation and decentralisation as the main drivers for change. In electrical power systems a downturn of centralised conventional fossil fuel fired power plants and increased proportion of distributed power generation adds to the already troublesome outlook for op- erators of low-inertia energy systems. In the absence of reliable real-time demand forecasting measures, effective decentralised demand-side energy planning is often problematic. In this work we formulate a simple yet highly effective lumped model for forecasting the rate at which electricity is consumed. The methodology presented focuses on the potential adoption by a regional electricity network operator with inadequate real-time energy data who requires knowledge of the wider aggregated future rate of energy consumption. Thus, contributing to a reduction in the demand of state-owned generation power plants. The forecasting session is constructed initially through analysis of a chronological sequence of discrete observations. Historical demand data shows behaviour that allows the use of dimensionality reduction techniques. Combined with piecewise interpolation an electricity demand forecasting methodology is formulated. Solutions of short-term forecasting problems provide credible predictions for energy demand. Calculations for medium-term forecasts that extend beyond 6-months are also very promising. The forecasting method provides a way to advance a novel decentralised informatics, optimisa- tion and control framework for small island power systems or distributed grid-edge systems as part of an evolving demand response service.
Keywords: Demand response | Decentralised | Grid edge | Time series forecasting
مقاله انگلیسی
3 Reinforcement learning framework for freight demand forecasting to support operational planning decisions
چارچوب یادگیری تقویتی پیش بینی تقاضای حمل بار برای پشتیبانی از تصمیمات برنامه ریزی عملیاتی-2020
Freight forecasting is essential for managing, planning operating and optimizing the use of resources. Multiple market factors contribute to the highly variable nature of freight flows, which calls for adaptive and responsive forecasting models. This paper presents a demand forecasting methodology that supports freight operation planning over short to long term horizons. The method combines time series models and machine learning algorithms in a Reinforcement Learning framework applied over a rolling horizon. The objective is to develop an efficient method that reduces the prediction error by taking full advantage of the traditional time series models and machine learning models. In a case study applied to container shipment data for a US intermodal company, the approach succeeded in reducing the forecast error margin. It also allowed predictions to closely follow recent trends and fluctuations in the market while minimizing the need for user intervention. The results indicate that the proposed approach is an effective method to predict freight demand. In addition to clustering and Reinforcement Learning, a method for converting monthly forecasts to long-term weekly forecasts was developed and tested. The results suggest that these monthly-to-weekly long-term forecasts outperform the direct long term forecasts generated through typical time series approaches.
Keywords: Freight demand forecasting | Time series | Reinforcement learning | Rolling horizon
مقاله انگلیسی
4 هوش مصنوعی برای پیش بینی در مدیریت زنجیره تامین: مطالعه موردی میزان مصرف قند سفید در تایلند
سال انتشار: 2019 - تعداد صفحات فایل pdf انگلیسی: 6 - تعداد صفحات فایل doc فارسی: 22
این مقاله یک مدل مناسب برای پیش بینی روند میزان مصرف شکر سفید در تایلند با توجه به نوسانات نرخ مصرف امروزه ارائه می دهد. در این مقاله روی دو نوع مدل اصلی پیش بینی که مدل های رگرسیون و شبکه های عصبی هستند ، تمرکز خواهد شد. علاوه بر این ، عملکرد با استفاده از Root Mean Square Error (RMSE) و مقدار آماری TheilU ارزیابی می شود. پس از پردازش آزمایشات ، نتایج نشان می دهد که شبکه عصبی راجعه با حافظه کوتاه مدت (LSTM) با شرایط ترکیبی بین میزان مصرف موجود و سایر عوامل مرتبط مانند تأمین تولید ، میزان واردات ، صادرات و موجودی کالا بهترین عملکرد را برای پیش بینی فراهم می کند. همچنین تنظیم پارامترهای مدل مسئله مهمی است.
کلمات کلیدی: یادگیری ماشین | اینترنت فیزیکی | پیش بینی تقاضا | شبکه عصبی | رگرسیون
مقاله ترجمه شده
5 پیش بینی ورود گردشگران از طریق یادگیری ماشین و شاخص جستجوی اینترنتی
سال انتشار: 2019 - تعداد صفحات فایل pdf انگلیسی: 10 - تعداد صفحات فایل doc فارسی: 38
مطالعات قبلی نشان داده است که داده های آنلاین، مانند پرس وجوهای انجام شده در موتورهای جستجو، یک منبع اطلاعاتی جدید محسوب می شوند که می توانند برای پیش بینی تقاضای گردشگری مورد استفاده قرار گیرند. در این مطالعه، ما چارچوبی را برای این پیش بینی ارائه می دهیم که با استفاده از یادگیری ماشین و شاخص های جستجوی اینترنتی، ورود گردشگران به مکان های محبوب چین را پیش بینی می کند و عملکرد این پیش بینی، را به ترتیب با نتایج جستجوی تولید شده توسط گوگل و بایدو مقایسه می کنیم. این تحقیق، علیت گرانجر و همبستگیِ میانِ شاخص جستجوی اینترنتی و ورود گردشگران به پکن را تایید می کند. نتایج تجربی ما نشان می دهد که عملکردِ پیش-بینیِ مدل های پیشنهادیِ هسته ی ماشین یادگیری افراطی (KELM )، که مجموعه هایی از گردشگران را با شاخص بایدو و شاخص گوگل ادغام می کنند، در مقایسه با مدل های معیار، به میزان قابل توجهی از نظر دقت پیش بینی و قدرت تحلیل ، بهتر بوده اند.
کلمه های کلیدی: پیش بینی تقاضای گردشگری | هسته ی ماشین یادگیری افراطی | جستجوی داده-های پرس وجو | تحلیل داده های بزرگ | شاخص جستجوی ترکیبی.
مقاله ترجمه شده
6 Tourism demand forecasting: A deep learning approach
پیش بینی تقاضای گردشگری: یک رویکرد یادگیری عمیق-2019
Traditional tourism demand forecasting models may face challenges when massive amounts of search intensity indices are adopted as tourism demand indicators. Using a deep learning approach, this research studied the framework in forecasting monthly Macau tourist arrival volumes. The empirical results demonstrated that the deep learning approach significantly outperforms support vector regression and artificial neural network models. Moreover, the construction and identification of highly relevant features from the proposed deep network architecture provide practitioners with a means of understanding the relationships between various tourist demand forecasting factors and tourist arrival volumes. This article also launches the Annals of Tourism Research Curated Collection on Tourism Demand Forecasting, a special selection of research in this field.
Keywords: Tourism demand forecasting | Deep learning | Long-short-term-memory | Attention mechanism | Feature engineering | Lag order
مقاله انگلیسی
7 Modeling and forecasting hotel room demand based on advance booking information
مدلسازی و پیش بینی تقاضای اتاق در هتل برمبنای اطلاعات پیشرفته ثبت نام-2018
This study develops a stochastic approach to the short-term forecasting of hotel booking arrivals. We investigate the key characteristics of booking arrivals, specifically the time-varying arrivals rates, high variability in the final demand, and the strong positive correlations between arrivals in different time periods. We examine three Poisson mixture models to capture these salient features of booking arrivals. In particular, the presence of strong inter-temporal correlations can be leveraged for forecasting future arrivals based on the early realizations. We suggest a new forecasting method that exploits the intrinsic correlations between early and late bookings and then present validation results of data from a major hotel chain along with a comparison to benchmark models. Our empirical study confirms that our dynamic updating method leveraging inter-temporal correlations can significantly improve the short-term forecasting accuracy of hotel room demand.
keywords: Hotel demand forecasting |Hotel demand |Advance booking |Non-homogeneous poisson process |Poisson mixture models |Multivariate distribution
مقاله انگلیسی
8 Water source heat pump energy demand prognosticate using disparate data-mining based approaches
منبع آب پمپ حرارتی پیش بینی تقاضای انرژی با استفاده از روش های متفاوت بر اساس داده کاوی-2018
This paper examines the data-mining and supervised based machine learning models for predicting 1- month ahead cooling load demand of an office building, including the primitive intention of enhancing the forecasting performance and the accuracy. The data-mining and supervised based ma chine learning models include; regression support vector machine, Gaussian process regression, scaled conjugate gradient, tree bagger, boosted tree, bagged tree, neural network, multiple linear regression and bayesian regularization. The external climate data, hours/day in a week, previous week load, previous day load and previous 24-h average load are applied as input parameters for these models. Whereas, the output of the models is the electrical power required for water source heat pump. A water source heat pump located in Beijing, China, is selected for examining 1-month ahead cooling load forecasting, i.e., from July 8 to August 7, 2016. In this paper, simulations are classified into three sessions: 7-days, 14-days and 1-month. The forecast performance is assessed by computing four performance indices such as mean square error, mean absolute error, root mean square error and mean absolute percentage error. The mean absolute percentage error for 7-days ahead cooling load prediction of the water source heat pump from data-mining based models, Gaussian process regression, tree bagger, boosted tree, bagged tree and multiple linear regression were 0.405%, 3.544%, 1.928%, 1.703% and 13.053% respectively. While, mean absolute percentage error of 7-days ahead forecasting in case of machine learning based models such as a regression support vector machine, Bayesian regularization, scaled conjugate gradient and neural network were 12.761%, 2.314%, 6.314%, 2.592% respectively. The percentage forecasting error index proved that the results of data-mining based models are more precise and similar to the existing ma chine learning models. The results also demonstrate that the better performance and efficiency in foreseeing the abnormal behaviour in forecasting and future cooling load demand in the building environment.
Keywords: water source heat pump ، energy demand prediction ، Clustering analysis ، Data-mining
مقاله انگلیسی
9 مدیریت یکپارچه موجودی و سیستم های تولید بر اساس نقطه انفصال شناور و اطلاعات زمان واقعی(فوری ): یک تحلیل مبتنی بر شبیه سازی
سال انتشار: 2016 - تعداد صفحات فایل pdf انگلیسی: 10 - تعداد صفحات فایل doc فارسی: 21
جهانی شدن شرایط بازار را به کاهش زمان فرآوری و افزایش میزان تمایز محصول و رقابت بر سر قیمت تبدیل کرده است. برای حل این مسئله، استراتژی های جدید تحقق پذیری نظم هیبریدی مطرح شده است که در آن استراتژی های (MTS) و (BTO) ادغام می شوند و هدف آنها بهبود همزمان اهداف متضاد مانند سطح کسری محصول و زمان انجام است . علاوه بر این، شرکت ها با چالش های مکرر به اشتراک گذاری اطلاعات به روز شده و جلوگیری از عدم هماهنگی بین زیر سیستم های مختلف شرکت مواجه می شوند. این کار بر روی استراتژی های تحقق پذیری نسبتا جدید بر اساس نقطه تفکیک شناور (FDP) تمرکز می کند که از اطلاعات زمان واقعی برای عملیات استفاده می کند. اهداف اصلی این تحقیق مطالعه تاثیر منابع مختلف اطلاعات در زمان واقعی در مورد محصولات موجود و انتخاب مناسب ترین پیکربندی این سیستم ها در رابطه با سیاست کنترل موجودی و منبع اطلاعات در زمان واقعی است. ماهیت تصادفی این روند، شبیه سازی یک ابزار مناسب برای دستیابی به نتایج با مقدار است. مطالعات شبیه سازی بر اساس یک فاکتوریل کامل طراحی آزمایش (DoE) انجام شده است. نتایج تجربی نشان می دهد که استراتژی های مبتنی بر FDP بسیار حساس به اطلاعات زمان واقعی هستند. این سیستم ها بهترین عملکرد را به دست می آورند زمانی که سیاست کنترل موجودی به طور همزمان اطلاعات پیش بینی تقاضا و اطلاعات در زمان واقعی محصولات موجود را مطابق با فرآیند کار در (WIP) و موجودی محصولات نهایی (FGI) استفاده میکند . در مقابل، عملکرد سیستم به طور قابل ملاحظه ای بدتر می شود، زمانیکه اطلاعات زمان واقعی در مورد محصولات موجود در WIP در نظر گرفته نشود.
کلمات کلیدی: مدیریت موجودی | کنترل تولید | نقطه جداشدگی شناور | شبیه سازی | طراحی آزمایشات
مقاله ترجمه شده
10 استند آزمایش مجازی برای ارزیابی محیط داخلی کابین خودرو
سال انتشار: 2015 - تعداد صفحات فایل pdf انگلیسی: 8 - تعداد صفحات فایل doc فارسی: 25
در این مقاله نویسنده طی شرایط عملیاتی واقعی برای پیش بینی موقتی محیط داخل کابین خودرو و بار گرمایی به یک ابزار محاسباتی جدید اشاره می نماید. هدف نرم افزار استند آزمایش مجازی ، کمک به مراحل اولیه فرایند طراحیHVAC و پیش بینی تقاضاهای گرمایش و سرمایش برای شرایط عملیاتی و خودرو های مختلف می باشد. این نرم افزار توسط Matlab به عنوان یک برنامه اجرایی مستقل توسعه یافته و شامل یک ژنراتور پارامتری از هندسه کابین خودرو، یک الگوی انتقال گرما و یک رابط کاربر گرافیکی می باشد. این مدل ریاضی توسط مجموعه از معادلات توازن گرمایی شکل گرفته و تجمع گرما و تبادل گرما بین داخل کابین خودرو، محیط زیست خارج، سیستم هایHVAC و مسافران را محاسبه می نماید. در این مقاله ویژگی های اصلی برنامه Matlab همراه با بررسی حساسیت دو پارامتر انتخابی مهم در آزمون زمستان معرفی شدند. واژه های کلیدی: کابین خودرو، محیط داخلی، Matlab ، آسایش حرارتی، طراحیHVAC ، ابزار محاسباتی
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 1071 :::::::: بازدید دیروز: 0 :::::::: بازدید کل: 1071 :::::::: افراد آنلاین: 6