供應鏈管理講解-資料下載頁
2025-04-07 12:27本頁面
【正文】 以學習一個方程式來處理類似的事件。我們可以考慮下面一個物理上的規(guī)則：這是一個實數(shù)對應到實數(shù)的函數(shù)，我們可以假設它是一個階度為n的多項式把它寫成：事實上，因為感知器所收集到的資料會有許多的干擾，所以我們得利用高斯最小平方法將這些雜訊移除：因此，我們只要有足夠數(shù)量的{輸入, 輸出}組合就可以推回之前的物理規(guī)則，這是機器學習最基本的規(guī)則，也因為它類似於統(tǒng)計上回歸分析，所以我們也可以用它來做銷售以及訂單預測。因此，這部分我們就將使用在Sensor Network的學習理論套用到銷售和預測分析以及例外品項的偵測中。2. 問題的一般化及解決方式上面所使用的高斯最小平方法只能夠解決輸入資料只有一維的狀況，當輸入資料階度大於等於1時就不容易實行，雖然統(tǒng)計上也有使用向量回歸的方式解決多維輸入的問題，但是效用有限。在實際預測中，很難將輸入資料控制在一維，所以我們先將問題一般化：假設輸入資料是(X1,Y1),…,(Xm, Ym)則考慮輸入輸出為：l Xi屬於某輸入集合X，其中l(wèi) Yi屬於某輸出集合Y,，其中在銷售預測中，可以把Xi想像成影響銷售的因子對，維度可以從1~k (k為正整數(shù))，可能是天氣、促銷活動等資料，Yi可以想像為這些影響因子所產(chǎn)生的結(jié)果，通常只會有一個值，所以說我們將集合 X x Y可以看成一個輸出輸入的組合對，用此組合來預測資料。3. The Key Algorithm[7]我們將問題一般化後就可以使用一個新的方式來作為預測之用，稱為The Key Algorithm，它在機器學習上的執(zhí)行成效遠高於回歸分析，所以用在預測上也應該比傳統(tǒng)因果預測法會好一點，且更加的一般化，The Key Algorithm執(zhí)行步驟如下：l 取得輸出輸入的組合(X1,Y1),…,(Xm, Ym)l 選擇一個Mercer Kernel Kn Mercer Kernel的選擇應具備下列性質(zhì)u 對稱性，if K(x,x’) = K(x’,x), for all x, x’ in Xu 正有限性(positive definite) – 如果任何一個有限的集合 {p1,…,pn} 屬於X, nn 的矩陣中每個值 K(pi, pj) 是正數(shù)，且非亟值。u 連續(xù)性(Continuous)n Mercer Kernel的兩個例子：l 選擇一個正實數(shù)γ並且令 c = (c1,…,cm) 為此特殊方程式的解： (mγI + K )c = y 其中：n I是m x m的單位矩陣n K是正有限的一個方陣K(Xi, Xj), 1 = i, j = mn Y是輸出值所形成的向量：Y1,…,Yml 我們可以把結(jié)果 f: x y寫成：4. The Key Algorithm的一些討論Mercer Kernel的挑選，方程式(1)中的? 值控制了產(chǎn)生出來方程式平滑的平滑度、干擾的容忍度以及一般化。另外，γ值得挑選也很重要，越大的γ值可以得到較好的預測結(jié)果。5. 預測結(jié)果的整合以及例外事件的處理在預測時考慮許多的因素，這樣會造成許多不同的預測結(jié)果，這些預測結(jié)果如何整合是一個大問題，如果單純使用平均將所有的預測值作平均，或是給每個預測值權重再計算其加權平均都不是一個很精確且良好的做法。幸好，Sensor Network中也提供了處理類似問題的機制。Sensor Network是好多好多的Sensor所組成的網(wǎng)路，每一個Sensor都會收到自己的學習組合並且學習到自己的方程式，可是當我們要採行某些規(guī)則時，要選擇哪一個Sensor的哪個方程式就是一個很大的問題了，所以我們需要一個全域的方程式來代表所有的Sensor，要如何將這些方程式粘在一起呢？考慮下圖Sensor分布：rSi圖正中心的Sensor Si可以和半徑r之內(nèi)的Sensor溝通，我們稱圓形區(qū)域為Di，理論上，在同一個Di收到的感知到的資料應該是一樣的，所以產(chǎn)生出的方程式也會差不多，但是考慮下列情況：SiSk兩個區(qū)域Di和Dk有重疊的部分，那這兩部分的方程式要怎麼做merge呢？方程式的黏合過程如下：l 假設Ai和Bi也是一個圓形區(qū)域且與區(qū)域Di一樣都是以Si為圓心，但半徑分別是r/2和3r/4l 令βi : i = 1, … , m是一個函式，以集合X所部署而成，並滿足下列性質(zhì)：n βi 是平滑的(smooth, 表示積該函式不會得到0或亟值)n , at every point n βi = 1 on Ain βi = 0 outside Bi l 最後可以定義為：n on Din outside Dil 得到一個全域的方程式f*：要將此模式套用在預測的例外品項處理以及多種預測事件的整合上，我們可以將每個Di視為一組預測值，r視為例外事件的指標，若品項某值算出來低於r/2表示並非例外事件可以直接與其它方程式作整合，若品項某值算出來介於r/2和3r/4之間表示這是可以處理的例外事件，用上述方法可以解決並與其它方程式作整合，若值大於3r/4表示無法處理的例外事件，必須捨棄掉，或再提高協(xié)商層級，再分析一次資料。使用機器學習的方式提供很完整的預測模式以及例外事件處理機制，我認為很適合用在CPFR，僅供老師作為參考。VII. 後記最後一次的供應鏈作業(yè)對於CPFR又有更進一步的了解，我發(fā)現(xiàn)CPFR雖然有法，但無定法。它是一個指引，一個很嚴謹?shù)珮O富彈性的架構(gòu)。每個組織都可依需求決定使用的模式和步驟，它的主要核心概念還是在資訊的共享上，希望我未來也能在這方面有更進一步的體悟。VIII. 參考資料[1] Dirk Seifert, “Collaborative Planning, Forecasting and Replenishment”, AMACOM, 2003[3] 吳慧玲, “臺灣零售業(yè)協(xié)同規(guī)劃預測補貨模式可行性之研究 – 以烘培業(yè)與百貨量販業(yè)為例”, 淡江資管所碩士論文, 2002[4] VICS, “Roadmap to CPFR: The Case Studies”, VICS, 2003[5] 羅翔瀚,“以 J2EE 資訊技術建構(gòu)供應鏈中協(xié)同預測之模組”, 義守大學工業(yè)工程系碩士論文,2003[6] Slobodan N. Simic, “A LearningTheory Approash to Sensor Network”, IEEE Pervasive Computing Vol. 1 , pp. 4450, 2003[7] T. Poggio and S. Smale, “The Mathematics of Learning: Dealing with Data”, Notices Am. Math Soc., vol. 50, no5, May 2003, pp. 53754425 / 25
公司管理相關推薦
鄂ICP備17016276號-1