Главная
АИ #15 (18)
Статьи журнала АИ #15 (18)
Нейросетевой XYZ анализ многономенклатурных грузов

Нейросетевой XYZ анализ многономенклатурных грузов

Рубрика

Транспортные коммуникации

Ключевые слова

нейросетевые технологии
многономенклатурные запасы
многокритериальная оптимизация
интегрированная цепь поставок

Аннотация статьи

В работе решается задача управления многономенклатурными запасами интегрированных цепей поставок через нейросетевой XYZ анализ. Рассмотрено практическое применение к XYZ анализу. На основе развития этого метода предлагается новая методика оптимизации управления многономенклатурными запасами.

Текст статьи

Схема обучения нейросети

Для управления запасами многономенклатурных грузов используются различные методы классификации, в том числе, сегментирование на ABC-XYZ классы. При достаточно крупных запасах такая классификация становится трудоемкой задачей. С целью автоматизации процедуры анализа и дальнейшего распределения на классы запасов смешанных групп предлагается использовать нейро-классификатор. В данной работе рассмотрен только блок XYZ-анализа, входящий в состав нейро-классификатора (рис. 1).

Рис. 1. Структура двухфакторного нейро-классификатора

Каждый блок является автономным рабочим самостоятельным приложением, содержащим нейросеть (рис. 1).

Построение нейро-классификатора с обучением выполняется на основе определения базовых весовых коэффициентов синаптических связей между искусственными нейронами многослойной нейронной сети. Для настройки коэффициентов в режиме обучения используются результаты экспериментального исследования, полученные в работе [1].

Упрощенная схема алгоритмов обучения каждого блока представлена рисунком 2. По заданной обучающей выборке нейронная сеть вычисляет необходимые веса синаптических связей.

Рис. 2. Упрощенный алгоритм процесса обучения нейронной сети

В работе [1] были получены соотношения, устанавливающие весовые коэффициенты смешанных групп ABC-XYZ (табл. 1), которые можно использовать в качестве начальных значений весовых коэффициентов блока ABC-XYZ при настройке адаптивной нейросети без учителя (рис. 2).

Исходные входные данные обучающей выборки заносятся в графу «Вход» (табл. 2) (95 входов – X,Y,Z).

Таблица 1

Экспериментальная классификация смешанных групп

 

X

Y

Z

A

0,252

0,183

0,358

0,792

B

0,050

0,036

0,071

0,156

C

0,016

0,012

0,023

0,051

0,318

0,230

0,452

1,000

Таблица 2

Входные и выходные данные нейросети XYZ анализа

№ номенклатурной позиции

Данные для массива x (вход)

Данные для массива y (выход)

Классификация

Объем продаж, тыс. единиц

Коэффициент вариации, %

1 квартал

2 квартал

3 квартал

4 квартал

740-0271

12

12

13

16,4

0

13,54

Y

740-0371

11

14

12

8,15

1

18,685

Y

740-0321

37

39,56

47,45

53,39

2

14,626

Y

205-1902

9,75

7,504

1,405

7,141

3

47,742

Z

205-1905

41,506

34,1

19,85

25,857

4

27,038

Z

803-0122

1,405

4,567

4,55

2,378

5

42,703

Z

100884

1,2

1,002

1,598

1

6

20,31

Y

601-0021

12,045

7,478

5,258

5,039

7

37,781

Z

704-6000

17,008

19,045

25

20,427

8

14,417

Y

630-0030

0,856

1,041

0,7

0,603

9

20,731

Y

866-4016

0,653

0,426

1,423

0,698

10

46,771

Z

1316

2,478

8,452

4,596

2,674

11

52,748

Z

630-0031

70,7

78,405

75,69

80,695

12

4,8755

X

205-1906

3,78

4,18

5,0102

3,972

13

11,075

Y

639-0002

6,78

6,547

5,604

5,3315

14

10,076

Y

1309-D

4,805

4,302

3,45

4,375

15

11,605

Y

497-6460

2,698

4,62

2,75

1,632

16

36,77

Z

497-6461

58,4

59,74

59,74

40,2

17

15,198

Y

497-6470

2,598

2,78

3,25

3,2244

18

9,5068

X

497-6471

15,404

15,978

24,504

22,639

19

20,377

Y

205-0010

25,404

24,59

24,785

28,822

20

6,6159

X

497-6475

1,001

1,202

0,6

1,2015

21

24,539

Y

540-0271

9,74

9,509

8,56

8,1295

22

7,3768

X

540-0371

0,75

0,78

1,54

0,725

23

36,038

Z

540-0321

3,245

6,89

4,265

3,16

24

34,338

Z

305-1902

3,45

3,56

5,48

5,07

25

20,447

Y

205-1905

3,7

3,78

5,406

4,674

26

15,95

Y

703-0122

3,74

3,654

4,75

5,416

27

16,687

Y

200884

54,8

58

59,4

64,05

28

5,6337

X

602-0021

5,78

5,789

5,78

4,301

29

11,857

Y

703-6000

12

12

14

11

30

8,8957

X

640-0030

31

35

34

38

31

7,2464

X

856-4016

32

45

40

35

32

13,026

Y

13165

1

2

1,5

3

33

39,441

Z

630-0032

31

32

36

34

34

5,7753

X

205-1907

31

24

28

45

35

24,705

Y

639-0003

31

48

43

35

36

16,936

Y

1319-D

94

97

108

150

37

19,964

Y

497-6461

98

78

97

71

38

13,684

Y

497-6462

5

10

18

7

39

49,497

Z

597-6470

43

56

47

89

40

30,789

Z

597-6471

45

78

79

78

41

20,628

Y

215-0010

45

47

56

50

42

8,3905

X

498-6475

14

17

24

34

43

34,577

Z

741-0271

2

5

7

4

44

40,062

Z

741-0371

56

45

78

50

45

22,004

Y

741-0321

2

3

1

2

46

35,355

Z

206-1902

5

5

7

8

47

20,785

Y

206-1905

25

35

19

40

48

27,655

Z

804-0122

5

7

8

5

49

20,785

Y

100885

52

40

45

60

50

15,288

Y

601-0022

5

6

7

8

51

17,201

Y

704-6001

25

74

30

24

52

54,288

Z

630-0031

2

3

8

9

53

55,298

Z

866-4017

5

4

5

8

54

27,273

Z

1317

25

30

50

40

55

26,487

Z

630-0032

2

3

4

7

56

46,771

Z

205-1907

5

6

7

5

57

14,42

Y

639-0003

2

5

3

9

58

56,441

Z

1409-D

52

30

40

45

59

19,19

Y

497-6482

5

6

7

9

60

21,911

Y

497-6489

25

40

50

31

61

25,883

Z

497-64702

52

53

52

50

62

2,1057

X

497-64712

52

57

70

70

63

12,77

Y

205-00101

52

55

74

89

64

22,235

Y

497-64756

5

7

8

4

65

26,352

Z

740-02714

20

25

16

19

66

16,202

Y

740-0374

53

59

47

56

67

8,255

X

740-0323

5

6

7

8

68

17,201

Y

205-1912

65

74

47

60

69

15,869

Y

205-1916

6

6

7

8

70

12,284

Y

803-0125

5

6

7

9

71

21,911

Y

100888

6

8

5

7

72

17,201

Y

601-0021

55

70

30

89

73

35,37

Z

704-6008

54

89

80

90

74

18,572

Y

630-0037

65

78

89

56

75

17,43

Y

866-4017

4

9

4

5

76

37,483

X

1323

5

7

9

8

77

20,4

Y

630-0032

54

84

89

74

78

17,814

Y

205-1906

54

47

56

47

79

7,9647

X

639-0002

57

78

79

75

80

12,355

Y

1309-D

97

76

98

78

81

11,783

Y

497-6460

97

78

78

98

82

11,118

Y

497-6461

8

8

9

7

83

8,8388

X

497-6470

7

7,9

7,80

10

84

13,577

Y

497-6471

87

79

85,6

89,4

85

4,523

X

205-0010

87

78,9

75,3

78,5

86

5,4006

X

497-6475

7

8,9

4,5

7

87

22,815

Y

740-0271

9

8,3

8

7

88

8,9033

X

497-6472

89

97

56,9

40

89

32,853

Z

497-6479

73

78

98

78,6

90

11,656

Y

205-0019

31

35

46

74

91

36,13

Z

497-6477

64

78

89,5

74

92

11,959

Y

740-0279

6

9

7

9

93

16,762

Y

497-6478

78

47

78

98

94

24,239

Y

497-6456

97

75

98

105

95

12,006

Y

№ номенклатурной позиции

Данные для массива x_test (вход)

Данные для массива y_test (выход)

Классификация

205-1915

89

78

96

48

0

23,583

Y

205-1917

78

75

84

89

1

6,636

X

803-0135

45

50

64

78

2

21,725

Y

100898

60

47

47

98

3

33,163

Z

601-0027

65

75

75

78

4

6,7141

X

704-6009

64

78

78

94

5

13,527

Y

630-0057

87

56

56

98

6

25,131

Z

866-4089

8,5

8,7

9

7

7

9,2935

X

1347

5

7,5

7,1

6

8

15,269

Y

630-0089

7,5

7,9

9

8

9

6,8181

X

Входные и выходные данные нейросети (табл. 2) представляют два набора входных данных (данные для массивов x и x_test, представленных поквартально) и два набора выходных (данные для массивов y и y_test), связанных попарно между собой, где:

  • данные для массива x (вход) представлены голубым цветом. Эти данные являются примером для обучения искусственной нейросети.
  • данные для массива y (выход) представлены оранжевым цветом. Эти данные являются ответами для вычислений искусственной нейросети на примере массива x (вход).
  • данные для массива x_test (вход) представлены зеленым цветом. Эти данные необходимы для получения искомых ответов, после обучения искусственной нейросети на массивах x (вход) и y (выход).
  • данные для массива y_test (выход) представлены розовым цветом. Эти данные необходимы для сравнения корректности работы сети. Массив y_test предварительно рассчитывается, как и все предыдущие массивы.

Рассмотрим этапы работы сети:

а) обучение (сравниваются массивы x (вход) и y (выход))

б) сохранение архитектуры и весов сети

в) тестирование (применяем массив x_test (вход))

г) вычисление ответа на основе данных, содержащихся в массиве x_test (вход) и вывод его на экран

д) сравнение вычисления результатов сети и массива y_test

Распределение групп товаров в таблице 2 «Данные для массива y_test (выход)» зависит от коэффициента вариации.

Что позволяет полученные результаты расчетов распределять по группам A, B и C соответственно.

В соответствии с классификацией XYZ результаты расчетов нейросети имеют следующее распределение по группам:

Например, третий номер номенклатурной позиции (рис. 1) – это элемент матрицы, содержащий значение равное 21,174 входит в группу Y, согласно приведенной выше сегментации. Значение 21,7248 является точным расчетным значением, необходимым для понимания точности работы сети при ее создании. Таким образом, первую, четвертую, седьмую, девятую строки необходимо отнести к группе X. В группу Y: нулевая, пятая, восьмая. В свою очередь в группу Z вошли все остальные строки.

ЗАКЛЮЧЕНИЕ

Использование нейросетевых технологий создает разнообразные возможности для решения сложных, плохо формализуемых задач. В данном случае рассмотрено практическое применение к XYZ анализу, где входными данными выступают объем продаж в тысячах единиц, а выходными данными – коэффициент вариации в процентах. Данный коэффициент является основой для разделения на группы X,Y,Z.

Список литературы

  1. Кузина, Е.А. Двухкритериальная многономенклатурных ABC и XYZ / Е.А. Кузина, А.С. Сизинцев, Н.Н. Пашков. – М.: «Агентство перспективных научных исследований», 2019. № 3 (6), С.19-29.
  2. Круглов В.В., Борисов В. В. Искусственные нейронные сети. Теория и практика. - 2-е изд., стереотип. - М.: Горячая линия-Телеком, 2002. - 382 с.

Поделиться

2149

Кузина Е. А., Сизинцев А. С., Пашков Н. Н. Нейросетевой XYZ анализ многономенклатурных грузов // Актуальные исследования. 2020. №15 (18). С. 28-33. URL: https://apni.ru/article/1076-nejrosetevoj-xyz-analiz-mnogonomenklaturnikh

Обнаружили грубую ошибку (плагиат, фальсифицированные данные или иные нарушения научно-издательской этики)? Напишите письмо в редакцию журнала: info@apni.ru

Похожие статьи

Актуальные исследования

#49 (231)

Прием материалов

30 ноября - 6 декабря

осталось 2 дня

Размещение PDF-версии журнала

11 декабря

Размещение электронной версии статьи

сразу после оплаты

Рассылка печатных экземпляров

24 декабря