مقاله انگلیسی یک روش تجمعی-تجزیه ای حریصانه برای پیش بینی تقاضای متناوب در خرده فروشی مد

25 شهریور 1397 | 12:41

مقاله انگلیسی یک روش تجمعی-تجزیه ای  حریصانه برای پیش بینی  تقاضای متناوب در خرده فروشی مد
عنوان فارسی مقاله: یک روش تجمعی-تجزیه ای حریصانه برای پیش بینی تقاضای متناوب در خرده فروشی مد
عنوان انگلیسی مقاله: A greedy aggregation–decomposition method for intermittent demand forecasting in fashion retailing
مجله/کنفرانس: European Journal of Operational Research
رشته های تحصیلی مرتبط: مهندسی صنایع
گرایش های تحصیلی مرتبط: لجستیک و زنجیره تامین
کلمات کلیدی انگلیسی: Forecasting; Intermittent demand; Greedy Heuristic
نوع نگارش مقاله: پژوهشی - research
نمایه: scopus - master journals - JCR
DOI: doi.org/10.1016/j.ejor.2018.02.029
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنالی
نوع مقاله: ISI
سال انتشار مقاله: 2018
ایمپکت فاکتور(IF): 3.428(2017)
شاخص H_index: 211
SJR: 2.437
شناسه ISSN: 0377-2217
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 29
کد محصول: EN95
فهرست انگلیسی مطالب
Abstract

Introduction

Literature Review

The proposed greedy aggregation-decomposition approach
-Forecasting daily total demand quantity
-Forecasting size and interval of SKU-store-day intermittent demand
-Forecasting SKU-store-day intermittent demand

Measures of Forecast Accuracy

SKU-store-day database

Results and Analysis
-Results for daily total demand quantity forecasting
-ults for intermittent demand forecasting

Conclusion

References
نمونه متن انگلیسی
Abstract

In this study, we solve a real-world intermittent demand forecasting problem for a fashion retailer in Singapore, where it has been operating retail stores and a warehouse for several decades. The demand for each stock keeping unit (SKU) at each store on each day needs to be determined to develop an effective and efficient inventory and logistics system for the retailer. The SKU-store-day demand is highly intermittent. In order to solve this challenging intermittent demand forecasting problem, we propose a greedy aggregation–decomposition method. It involves a new hierarchical forecasting structure and utilizes both aggregate and disaggregate forecasts, which differs from the classical bottom-up and top-down approach. The method is investigated on the real-world SKU-store-day demand database from this retailer in Singapore, and significantly outperforms other widely used intermittent demand forecasting methods. The proposed method also serves as a general self-improvement procedure for any intermittent time series forecasting method taking dual source of variations into account. Moreover, we introduce a revised mean absolute scaled error (RMASE) as a new accuracy measure for intermittent demand forecasting. It is a relative error measure, scale-independent, and compares with the error of zero forecasts.
  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

جستجوی پیشرفته