供應(yīng)鏈管理期末報(bào)告-資料下載頁
2025-08-02 23:35本頁面
【正文】 i屬於某輸入集合X,其中Yi屬於某輸出集合Y,其中在銷售預(yù)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(yù)測資料.The Key Algorithm[7]我們將問題一般化后就可以使用一個新的方式來作為預(yù)測之用,稱為The Key Algorithm,它在機(jī)器學(xué)習(xí)上的執(zhí)行成效遠(yuǎn)高於回歸分析,所以用在預(yù)測上也應(yīng)該比傳統(tǒng)因果預(yù)測法會好一點(diǎn),且更加的一般化,The Key Algorithm執(zhí)行步驟如下:取得輸出輸入的組合(X1,Y1),…,(Xm, Ym)選擇一個Mercer Kernel KMercer Kernel的選擇應(yīng)具備下列性質(zhì)對稱性,if K(x,x39。) = K(x39。,x), for all x, x39。 in X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.連續(xù)性(Continuous)Mercer Kernel的兩個例子:選擇一個正實(shí)數(shù)γ并且令 c = (c1,…,cm) 為此特殊方程式的解:(mγI + K )c = y其中:I是m x m的單位矩陣K是正有限的一個方陣K(Xi, Xj), 1 = i, j y寫成: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,γ值得挑選也很重要,越大的γ值可以得到較好的預(yù)測結(jié)果.預(yù)測結(jié)果的整合以及例外事件的處理在預(yù)測時(shí)考慮許多的因素,這樣會造成許多不同的預(yù)測結(jié)果,這些預(yù)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(yù)測值作平均,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(xué)習(xí)組合并且學(xué)習(xí)到自己的方程式,可是當(dāng)我們要采行某些規(guī)則時(shí),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: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?yàn)镈i,理論上,在同一個Di收到的感知到的資料應(yīng)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: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:假設(shè)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/4令βi : i = 1, … , m是一個函式,以集合X所部署而成,并滿足下列性質(zhì):βi 是平滑的(smooth, 表示積該函式不會得到0或亟值), at every point βi = 1 on Aiβi = 0 outside Bi 最后可以定義為:on Dioutside Di得到一個全域的方程式f*:要將此模式套用在預(yù)測的例外品項(xiàng)處理以及多種預(yù)測事件的整合上,我們可以將每個Di視為一組預(yù)測值,r視為例外事件的指標(biāo),若品項(xiàng)某值算出來低於r/2表示并非例外事件可以直接與其它方程式作整合,若品項(xiàng)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并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,必須舍棄掉,或再提高協(xié)商層級,再分析一次資料.使用機(jī)器學(xué)習(xí)的方式提供很完整的預(yù)測模式以及例外事件處理機(jī)制,我認(rèn)為很適合用在CPFR,僅供老師作為參考.后記最后一次的供應(yīng)鏈作業(yè)對於CPFR又有更進(jìn)一步的了解,我發(fā)現(xiàn)CPFR雖然有法,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(jìn)一步的體悟.參考資料[1] Dirk Seifert, Collaborative Planning, Forecasting and Replenishment, AMACOM, 2003[2] CPFR, [3] 吳慧玲, 臺灣零售業(yè)協(xié)同規(guī)劃預(yù)測補(bǔ)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(shù)建構(gòu)供應(yīng)鏈中協(xié)同預(yù)測之模組, 義守大學(xué)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. 537544 表一 每種劇本在CPFR各程序所扮演仲裁的角色圖一 CPFR九大步驟流程圖二 步驟一處理程序圖三 步驟二處理程序以及資料的輸入圖四 步驟三處理程序以及資料的輸入圖五 步驟四處理程序以及資料的輸入圖六 步驟五處理程序以及資料的輸入圖七 步驟六處理程序以及資料的輸入圖八 步驟七處理程序以及資料的輸入圖九 步驟八處理程序以及資料的輸入圖十 步驟九處理程序以及資料的輸入12 / 12
黨政相關(guān)相關(guān)推薦
鄂ICP備17016276號-1