دانلود تحقیق کامل درباره نظامهای پیشبینی کوتاهمدت

اختصاصی از فایل هلپ دانلود تحقیق کامل درباره نظامهای پیشبینی کوتاهمدت دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 7

نظام‌های پیش‌بینی کوتاه‌مدت:

پیش‌بینی‌های مربوط به تقاضا یکی از مهمترین داده‌های سیستم‌های کنترل و طراحی تولید(MPC) می‌باشند. در این فصل در مورد پیش‌بینی‌کوتاه مدت، بحث می‌کنیم.

فصل حاضر در برگیرنده 7 مبحث زیر می‌باشد:

پیش‌بینی مسئله: چگونه مسئله پیش‌بینی برای طرح‌ریزی ساخت و کنترل فرایندها تعیین می‌گردد؟

تکنیکهای اساسی پیش‌بینی: تکنیک‌های اصلی و اساسی برای پیش‌بینی تقاضا در کوتاه‌مدت چیست؟

ارتقای مدل هموارسازی نمایی مبنا: چگونه می‌توان روند،تغییرات فصلی ودیگر انواع اطلاعات را با هم ادغام کرد؟

پیش‌بینی متمرکز: روش‌شناسی پیش‌بینی متمرکز چیست وچگونه باعث پیدایش پیش‌بینی‌ها می‌گردد؟

مقایسات روشها: کدام روش پیش‌بینی تحت کدام شرایط بهتر عمل می‌کند؟ سرمشق‌های هر کدام برای مدیران چیست؟

استفاده از سیستم پیش‌بینی: چگونه مقادیر پارامترهای پیش‌بینی ابتدایی را برمی‌گزینیم و چگونه بر نتایج پیش‌بینی نظارت می‌کنیم؟

پیش‌بینی در صنعت : چگونه این تکنیکها عملی شده‌اند؟

پیش​بینی مسئله:

مدیران در تصمیم‌گیری‌های‌گوناگون نیازمند پیش‌بینی هستند. در این میان تصمیمات درازمدت شامل مواردی است مانند : کشت یک گیاه جدید،تعیین نوع و سایز هواپیما برای یک ناوگان هوایی،‌توسعه خدمات یک هتل برای میهمانانش و یا تغییر شرایط آموزشی در دانشگاه . به طور کلی این تصمیمات بلندمدت‌تر که نیازمند سطوح کلان تقاضا هستند،‌معیارهایی مانند حجم فروش سالیانه،‌حجم مسافر مورد انتظار،‌تعداد جشنهای شبانه و یا تعداد کل دانشجویان ثبت‌نام شده را مدنظر قرار می‌دهند و این مسئله تا اندازه‌ای به شانس بستگی دارد،‌چراکه سطوح کلان یک فعالیت نسبت به فعالیتهای انفرادی،دقیق‌تر پیش‌بینی می‌گردند.

به عنوان مثال امور اداری دانشگاه احتمالا تخمین نسبتا صحیحی از تعداد دانشجویان ثبت‌نامی ترم آینده ارائه می‌دهد. حتی با این وجود پیش‌بینی ثبت‌نام برای درس انتخابی ممکن است با تعداد بیش‌تر از حد متقاضیان،‌برهم خورد.

در این فصل به روشهایی توجه می‌کنیم که اطلاعات گذشته را به پیش‌بینی تبدیل می‌کنند. این روشها اغلب روشهای آماری هستند.

ما همچنین برای ارزیابی کیفیت پیش‌بینی از روشهای آماری استفاده خواهیم کرد. این شیوه‌ها اغلب «شیوه‌های پیش‌بینی آماری» نامیده می‌شوند.

ارزیابی پیش‌بینی:

سرانجام اینکه کیفیت هر پیش‌بینی به کیفیت تصمیماتی که براساس آن پیش‌بینی است برمی‌گردد.

*یک ملاک و معیار مهم برای هر فرایند و روش پیش‌بینی،‌هزینه‌ای پایین بابت هر پیش‌بینی می‌باشد. برای بسیاری از مسائل کنترل و طرح‌ریزی تولید نیازمند پیش‌بینی راجع به هزاران قلم از اجناس در طی هر هفته یا ماه هستیم،‌که نتیجه این کار فرایندی کم‌هزینه،موثر و ساده مفید خواهد بود.

برخلاف موارد نادر زمانی که تصمیم براین است تا ظرفیت کارخانه را افزایش دهند،‌تصمیمات کوتاه‌مدت روزمره به کرّات برای بسیاری از اجناس به کار گرفته خواهند شد و نیازی به فرایند پیش‌بینی وقت‌گیر و پرهزینه‌ای هم نیست. به علاوه وقتی به دفعات تصمیمات نهایی گرفته می‌شوند هرگونه اشتباهی در یکی از پیش‌بینی‌های می‌تواند در تصمیم دوره آینده جبران شود.

*درستی و نااریبی،‌ویژگی‌مهم در هر شیوه پیش‌بینی است

*پیش‌بینی نباید روی هم رفته خوش‌بینانه و یا بدبینانه باشد،‌اما نسبتا باید بیانگر آنچه که وجود دارد، باشد.

...

در این معادله: مقدار تقاضای پیش​بینی آن دوره – مقدار تقاضای واقعی در هر دوره = خطای پیش​بینی د رهر دوره

داشتن پیش‌بینی غیراریب (نااریب) در برنامه‌ریزی وکنترل تولید مهم است،‌چراکه در این صورت برآورد میانگین حدودا درست خواهد بود. اما این کافی نیست. ما هنوز باید به بزرگی خطاها توجه کنیم.

یکی از پرکاربردترین معیارهای خطای پیش​بینی،​میانگین قدر مطلق انحرافات (MAD) است.

فرمول ان عبارت است از:

...

میانگین قدرمطلق انحراف،‌اندازه خطای میانگین را بدون توجه به مقدار مثبت یا منفی آن بیان می‌کند. ترکیبی از اریب و MAD به ما این امکان را می‌دهد که نتایج پیش‌بینی را ارزیابی کنیم.

اریب حائز اهمیت‌تر است چراکه در مورد خطاهای پیش‌بینی می‌توانیم از طریق موجودی احتیاطی،‌فراهم آوردن تسهیلات و ابزارهایی برای تحول سریع‌تر و دیگر انواع پاسخ‌ها آنرا جبران کنیم. MAD بیانگر میزان جبران مورد انتظار (مثلا ذخیره احتیاطی موردنیاز)

MAD خطا یا انحراف را از یک مقدار قابل انتظار (یعنی همان پیش‌بینی) می‌سنجد. مشهورترین سنجش انحراف یا پراکندگی از نظر آماری «انحراف معیار» می‌باشد.

وقتی خطاها به طور نرمال توزیع شده باشند،‌انحراف معیار خطاهای پیش‌بینی‌شده از لحاظ عددی با MAD و طی معادله (3-16) با یکدیگر مرتبط می‌شود.

= انحراف استانداردهای خطاهای پیش‌بینی

روشهای پیش‌بینی اساسی:

در اینجا دو شیوه پیش‌بینی کوتاه‌مدت یعنی میانگین‌های متحرک و هموارسازی نهایی موردنظر قرار می​گیرند. قبل از اینکه راجع به این شیوه‌ها بحث کنیم مثالی را مطرح می‌کنیم که به ما این اجازه را می‌دهد تا مفاهیم و فرمولها را به جهان واقعی مرتبط سازیم.

مثال موقعیت پیش‌بینی:

«انریکو مارتینز» پانکاس را که یک رستوران در یک هتل بزرگی در نزدیکی لوپ شیکاگو است مدیریت می‌کند. رستوران پانکاس هم برای مهمانان هتل و هم برای افراد در حال تردد در خیابانهای اطراف غذا سرو می‌کند. اعتبار این رستوران پیوسته در حال افزایش است. چند ماه قبل ظرفیت آن افزایش یافت.

انریکو روشهای بهبود بخشیدن و منظم کردن تصمیماتش برای مدیریت رستوران را مورد مطالعه قرار داد. او سه موقعیت را برای بررسی جزئیات، انتخاب کرد: پیشنهاد قرارداد جدید از سوی خدمات دستمالهای نخی،گرایش به سمت نوشیدنی‌های تکیلا و سفارشات دوبار در هفته‌‌او به توزیع کنندگان عمده فروشی خوار و بار. تمام این تصمیمات به توانایی او در پیش‌بینی تقاضا بستگی دارد.

انریکو با وجود تنوع مسائلی که برگزیده بود،احساس می‌کرد مبنای خوبی برای مطالعه راجعه به روشهای پیش‌بینی برای پانکاس را دارد.

اولین حالت پیشنهاد قرارداد جدیدی از سوی خدمات دستمالهای نخی برای دستمال‌های سفره و رومیزی‌هاست. این پیشنهاد از سوی شرکتی است که به رستوران این خدمات را ارائه می‌دهد، است. صاحبان این موسسه خدماتی‌،تخفیف قابل‌توجهی برای انریکو لحاظ می‌کردند،اما در صورتی که او به جای همان روش همیشگی‌اش یعنی اینکه موسسه خدماتی دستمالهای تمیز را جایگزین دستمال‌های کثیفی که هر هفته ممکن است روی هم جمع شود کند،بتواند تعداد دستمالهایی را که هر هفته مورد نیاز است، از پیش تعیین کند. انریکو داده‌هایی را راجع به تعداد میزهای سرو شده طی 9 هفته گذشته جمع کرد؛ تا تعیین کند که چگونه می‌تواند تعداد دستمالها را پیش‌بینی کند. شکل(3-16) خلاصه این داده‌ها را نشان می‌دهد.

...

سفارشات برای نوشیدنیهای تکیلا در باشگاهها به سرعت رو به افزایش بود و این در تعیین اینکه چه مقدار نوشیدنی تکیلا در هفته باید سفارش داده شود مشکل‌ساز بود.

انریکو به جمع‌آوری اطلاعاتی راجع به نوشیدنی‌های تکیلا که طی 9 هفته گذشته سرو شده بودند پرداخت که می‌توانیم درشکل (4-16) آنرا ببینیم.

...

مورد نهایی که انریکو تصمیم به بازنگری آن گرفت این بود که چه مقدار غذا برای تحویل دو نوبت در هفته به توزیع‌کننده خوارو بار سفارش بدهد. توزیع‌کننده سفارش را در سه‌شنبه و صبح جمعه تحویل می‌داد(پانکاس در دوشنبه‌های تعطیل بود)

اجناس تحویل داده شده شامل محصولات کنسرو شده،‌کالاهای اساسی و ادویه‌جات و غیره که به مصرف غذای سه روز آینده می‌رسیدند،‌می‌شد. اساسا حجم کمتری از تجارت طی سه روز اول از هفته کاری نسبت به سه روز آخر وجود دارد. برای بدست آوردن یک ایده الگو،انریکو استفاده 10 قوطی از سبزیجات را به مدت 6 دوره سه روزه مورد بررسی قرار داد. این بررسی در شکل (5-16) نشان داده شده است. به نظر می‌رسد که(در طی 9 هفته اخیر که داده‌ها را جمع‌آوری کردیم ارقام نسبتا ثابت ماندهاند و نیز به نظر می‌آید که در برخی معیارهای مرکزی داده​ها به صورت تصادفی نوسان می‌کنند. اگر قصد استفاده از داده‌های قبلی برای پیش‌بینی میزهای سرو شده در هفته‌های آینده را داشتیم،‌یک خط جالب به راحتی از میان داده‌هایمان گذر خواهد کرد و ما از این خط به عنوان تخمینی برای سی​و سومین هفته و هفته‌های آتی استفاده می​کنیم. این خط(روند) رسم شده،‌میانگین و یا تقاضای مورد انتظار در هفته‌های آینده را تخمین خواهد زد. روند رسم این خط،‌روندی باتوجه به میانگین‌گیری و هموارسازی است.

فرایندهمسازی (هموارسازی) اساس شیوه‌هایی است که در اینجا به آنها اشاره می‌کنیم.

میانگین‌های متحرک :

مدل میانگین متحرک برای هموارسازی تقاضای پیش‌بینی،‌همانگونه که از نامش پیداست،‌از طریق میانگیری یک‌سری از داده‌های گذشته که انتخاب شده‌اند‌،بدست می‌آید.

میانگین تغییر می‌کند چون یک میانگین جدید می‌تواند در هر جایی که تقاضای دوره مشخص است محاسبه شود. هرگاه نیاز به پیش‌بینی باشد،‌آخرین اطلاعات مربوط به تقاضا در میانگین‌گیری مورد استفاده قرار می‌گیرد. معادله(4-16) مدلی را برای یافتن میانگین متحرک نشان می‌دهد.

...

توجه کنید که میانگین متحرک،‌پیش‌بینی تقاضا دوره و دوره‌های بعدی است. مثلا اگر ما در آخر دوره t باشیم: پیش‌بینی را برای دوره‌ای t+1 یا t+x در آینده، انجام می‌دهیم. پیش‌بینی‌ها نمی‌تواند برای دوره t انجام شود،‌چراکه تقاضای دوره مشخص و شناخته شده است. شکل(7-16) نمونه‌ای از محاسبات را برای تعداد میزهای سرو شده نشان می‌دهد.

= MAF پیش‌بینی میانگین متحرک در پایان دوره t

جایی که: i = شماره دوره

t = دوره جاری (دوره‌ای که تقاضای واقعی در آن کاملا مشخص است)

n = تعداد دوره‌ها در میانگین متحرک

مدل هموارسازی نمایی مبنا:

مدل هموارسازی نمایی برای پیش‌بینی هیچ داده قبلی را حذف نمی‌کند. اما ارزش معین داده‌های گذشته را به گونه‌ای تنظیم می‌کند که داده‌های مربوط به گذشته ارزش(وزنی) به خود می‌گیرند.

(از این رو مدل هموارسازی نمایی نامیده می‌شوند).

مدلی برای محاسبه میانگین جدید در معادله(5-16) نشان داده شده است که ما آن‌را شرح دادیم. معادله(6-16) رایج‌ترین فرم محاسباتی را برای میانگین هموارسازی شده نمایی به ما ارائه می‌دهد.

پیش‌بینی ESF(همسازی نمایی) در پایان دوره t = (5-16)

در اینجا : α = محدوده همسازی 1 ≥ α ≥ 0

t = دوره جاری (دوره‌ای که تقاضای واقعی در آن مشخص است)

ESF t-1 = پیش‌بینی همسازی دوره قبل را می‌دهد (در آخر دوره t-1)