Demand Forecast for Short Life Cycle Forecast for Short...آ  2019-07-08آ  Demand Forecast for Short

  • View
    0

  • Download
    0

Embed Size (px)

Text of Demand Forecast for Short Life Cycle Forecast for Short...آ  2019-07-08آ  Demand Forecast for...

  • Demand Forecast for Short Life Cycle Products

    Mario José Basallo Triana

    December, 2012

  • Ante todo, a Dios. A mis padres Luis Mario y Luz Ángela por su sacrificio, dedicación, y amor.

    A mis maestros por enseñarme el camino.

  • Agradecimientos

    Quiero agradecer a los profesores Jesus Andrés Rodŕıguez Sarasty y Hernán Daŕıo Benitez Restrepo directores este proyecto por sus consejos, asistencia, y apoyo.

    Agradezco a la Pontificia Universidad Javeriana porproporcionarme los recur- sos necesarios para el desarrollo de este proyecto. Este proyecto fué apoyado por la Pontificia Universidad Javeriana mediante el proyecto Gestión de In- ventarios, 020100292.

    Agradezco a todas las personas que de una u otra forma contribuyeron en la realización de este proyecto.

  • Inteligencia, dame el nombre exacto de las cosas!

    ... Que mi palabra sea la cosa misma

    creada por mi alma nuevamente. Que por mı́ vayan todos

    los que no las conocen, a las cosas; que por mı́ vayan todos

    los que ya las olvidan, a las cosas; que por mı́ vayan todos

    los mismos que las aman, a las cosas ...

    Inteligencia, dame el nombre exacto, y tuyo, y suyo, y mı́o, de las cosas!

    Juan Ramón Jiménez, Eternidades (1918)

  • Este trabajo se basa en las ideas propuestas por el profesor Jesus Andrés Rodŕıguez Sarasty para pronosticar la demanda de productos de corto ciclo de vida.

  • CONTENTS

    1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

    2. Problem statement . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.1 Forecasting the demand of short life cycle products . . . . . . 3

    2.1.1 Problem formulation . . . . . . . . . . . . . . . . . . . 4 2.2 Fundamental research hypothesis . . . . . . . . . . . . . . . . 6

    3. Objectives and Scope . . . . . . . . . . . . . . . . . . . . . . . . . . 7 3.1 General objective . . . . . . . . . . . . . . . . . . . . . . . . . 7 3.2 Specific objectives . . . . . . . . . . . . . . . . . . . . . . . . . 7 3.3 Scope of the research . . . . . . . . . . . . . . . . . . . . . . . 7

    4. Literature Review . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 4.1 Forecast based on growth models . . . . . . . . . . . . . . . . 9 4.2 Forecast based on similarity . . . . . . . . . . . . . . . . . . . 11 4.3 Forecast based on machine learning models . . . . . . . . . . . 11 4.4 Discussion of the current methods . . . . . . . . . . . . . . . . 12 4.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

    5. Time series analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 5.1 The datasets of time series . . . . . . . . . . . . . . . . . . . . 14

    5.1.1 Real datasets . . . . . . . . . . . . . . . . . . . . . . . 14 5.1.2 Synthetic dataset . . . . . . . . . . . . . . . . . . . . . 15

    5.2 Stationarity test . . . . . . . . . . . . . . . . . . . . . . . . . . 16 5.2.1 Unit-root test . . . . . . . . . . . . . . . . . . . . . . . 17

    5.3 Clustering of time series . . . . . . . . . . . . . . . . . . . . . 18

  • CONTENTS CONTENTS

    5.3.1 Some insights on clustering time series . . . . . . . . . 19 5.3.2 The clustering algorithm . . . . . . . . . . . . . . . . . 23 5.3.3 Fuzzy cluster validity indices . . . . . . . . . . . . . . . 28 5.3.4 Clustering results . . . . . . . . . . . . . . . . . . . . . 31 5.3.5 Clustering results for the real datasets . . . . . . . . . 32

    5.4 Conclusions of the chapter . . . . . . . . . . . . . . . . . . . . 33

    6. Regression Methods . . . . . . . . . . . . . . . . . . . . . . . . . . 35 6.1 Multiple linear regression . . . . . . . . . . . . . . . . . . . . . 36 6.2 Support vector regression . . . . . . . . . . . . . . . . . . . . . 37 6.3 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . . 40 6.4 Tuning parameters . . . . . . . . . . . . . . . . . . . . . . . . 42

    6.4.1 Response surface methodology for tuning parameters . 43

    7. Experimental procedure . . . . . . . . . . . . . . . . . . . . . . . . 49 7.1 Collection and analysis of data . . . . . . . . . . . . . . . . . . 50 7.2 Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 7.3 Parameter tuning . . . . . . . . . . . . . . . . . . . . . . . . . 52 7.4 Forecasts evaluation . . . . . . . . . . . . . . . . . . . . . . . 53 7.5 Some computational aspects . . . . . . . . . . . . . . . . . . . 54 7.6 Results of the tune parameters procedure . . . . . . . . . . . . 54

    7.6.1 Tuning parameters for SVR machines . . . . . . . . . . 54 7.6.2 Tuning parameters for ANN machines . . . . . . . . . 56

    7.7 Conclusions of the chapter . . . . . . . . . . . . . . . . . . . . 58

    8. Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 8.1 Forecasting results using multiple linear regression . . . . . . . 60

    8.1.1 Multiple linear regression results with clustering . . . . 61 8.1.2 Conclusions of the MLR case . . . . . . . . . . . . . . 64

    8.2 Forecasting results using support vector regression . . . . . . . 65 8.2.1 Support vector regression results with clustering . . . . 66 8.2.2 Conclusions of the SVR case . . . . . . . . . . . . . . . 67

    8.3 Forecasting results using artificial neural networks . . . . . . . 68 8.3.1 Artificial neural network results with clustering . . . . 69 8.3.2 Conclusions of the ANN case and other cases . . . . . . 69

    8.4 Comparison of forecasting methods . . . . . . . . . . . . . . . 71

    9. Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

    ii

  • CONTENTS CONTENTS

    A. Results for the SD1 dataset using the correct partition . . . . . . . 77

    B. The effect of the clustering algorithm . . . . . . . . . . . . . . . . . 78 B.1 Multiple linear regression case . . . . . . . . . . . . . . . . . . 78 B.2 Support vector regression case . . . . . . . . . . . . . . . . . . 78

    C. Variance of cumulative and non-cumulative data. . . . . . . . . . . 81

    iii

  • LIST OF FIGURES

    2.1 Short life cycle product time series. . . . . . . . . . . . . . . . 4 2.2 Generalized pattern of a short life cycle product time series. . 6

    5.1 The datasets of short time series. . . . . . . . . . . . . . . . . 17 5.2 Representation of the SD1 data set by its 3 PIPs. . . . . . . . 33 5.3 Representation of the real datasets by its 3 PIPs. . . . . . . . 34

    6.1 Illustration of the linear ε-SVR with soft margin. . . . . . . . 37 6.2 Feed-forward neural network. . . . . . . . . . . . . . . . . . . 41 6.3 Experimental designs. . . . . . . . . . . . . . . . . . . . . . . 45

    7.1 Experimental factors. . . . . . . . . . . . . . . . . . . . . . . . 50 7.2 Framework of the forecasting procedures. . . . . . . . . . . . . 51 7.3 Some iterations of the proposed tuning parameters procedure. 59

    8.1 Multiple linear regression results, complete datasets. . . . . . . 61 8.2 Support vector regression results, complete datasets. . . . . . . 65 8.3 Artificial neural network results, complete datasets. . . . . . . 68 8.4 Forecasting results for some time series. . . . . . . . . . . . . . 73 8.5 Pairwise comparison of regression methods. . . . . . . . . . . . 73 8.6 Mean absolute error results for each regression method. . . . . 74

    C.1 Variance of cumulative and non-cumulative data . . . . . . . . 82

  • LIST OF TABLES

    5.1 Model parameters of synthetic time series. . . . . . . . . . . . 16 5.2 Validation results for SD1 dataset using FSTS algorithm. . . . 32 5.3 Optimal number of clusters for the real datasets. . . . . . . . . 32

    7.1 Optimal SVR parameters procedure, non-cumulative data. . . 56 7.2 Optimal SVR parameters, cumulative data. . . . . . . . . . . 56 7.3 Optimal ANN parameters procedure, non-cumulative data. . . 57 7.4 Optimal ANN parameters, cumulative data. . . . . . . . . . . 57

    8.1 MLR results, complete datasets. . . . . . . . . . . . . . . . . . 62 8.2 MLR results, partitioned non-cumulative data . . . . . . . . . 64 8.3 MLR results, partitioned cumulative data . . . . . . . . . . . . 64 8.4 SVR results, complete datasets. . . . . . . . . . . . . . . . . . 66 8.5 SVR results, partitioned non-cumulative data . . . . . . . . . 67 8.6 SVR results, partitioned cumulative data . . . . . . . . . . . . 67 8.7 ANN, complete datasets. . . . . . . . . . . . . . . . . . . . . . 69 8.8 ANN, partitioned non-cumulative data . . . . . . . . . . . . . 70 8.9 ANN, partitioned cumulative data . . . . . . . . . . . . . . . . 71 8.10 Summary evaluation of the experimental treatments. . . . . . 72

    A.1 Preliminary multiple linear regression results for SD1 dataset. 77

    B.1 Comparison of FCM, FMLE and FSTS algorithms for MLR. . 79 B.2 Comparison of FCM, FMLE and FSTS algorithms for SVR. . 80

  • LIST OF ALGORITHMS

    1 Perceptually Important Points Procedure. . . . . . . . . . . . . 21 2 Kaufman initialization method. . . . . . . . . . . . . . . . . . . 22 3 Fuzzy C-Means (FCM) clustering algorithm. . . . . . . . . . . 25 4 Fuzzy short time series (FSTS) clustering algorithm. . . . . . . 26 5 Fuzzy Maximum Likelihood Estimation (FMLE) algorithm. . . 28

    6 Tuning parameters procedure. . . . . . . . . . . . . . . . . . . . 46 7 Proposed tuning parameters procedure. . . . . . . . . . . . . . 48

  • ABSTRACT

    Accurate forecast for demand of short life cycle products is a subject of special interest for many companies and researchers. However common fore- casting approaches are not appr