یاسر تقی نژاد

مدیریت صحیح و کنترل بهتر موجودی اقلام فروشگاه مواد غذایی، یکی از ضروری ترین و مهم ترین اهداف مدیران فروشگاه های مواد غذایی می باشد. در این مطالعه تلاش می شود تا دانش تقسیم بندی مشتریان را بر اساس ویژگی های مختلف به عنوان ورودی در پیش بینی تقاضای یک خرده فروشی ارائه دهد. هدف این مقاله ارائه یک مدل پیش بینی برای خرده فروشان بر اساس خوشه بندی مشتریان، به منظور بهبود عملکرد موجودی می باشد. خوشه بندی مشتریان با الگوریتم ژنتیک در نرم افزار MATLAB R2016a صورت گرفته است. مدل ارایه شده برای پیش بینی تقاضای پنج قلم کالای یک سوپرمارکت در شهر گرگان به کار گرفته شده است. در این مقاله، جهت پیش بینی از مدل های ARIMA، ARIMA فصلی، شبکه عصبی پیشخور Mlp و شبکه عصبی GMDH استفاده شده است. مدلسازی این مدل ها در نرم افزار متلب صورت گرفته است. نتایج نشان داد که شبکه عصبی GMDH با خوشه بندی مشتریان کمترین خطای پیش بینی را دارد. مدل پیش بینی ارایه شده با سیاست کنترل دوره ای سطح موجودی منجر به کاهش روزهای مواجه با کمبود و افزایش سطح خدمت به مشتری می شود. خرده فروشان می توانند مدل ارایه شده را برای پیش بینی تقاضای اقلام گوناگون به منظور بهبود عملکرد موجودی و سودآوری عملیات مورد استفاده قرار دهند.

امروزه انرژی و میزان مصرف آن، محور استراتژیک برنامه ریزی های سازمانی است. گسترش سیستم حمل ونقل درون شهری بدون در نظر گرفتن شرایط گوناگون اقتصادی، علمی، صنعتی، آب و هوایی و رشد روزافزون شهرنشینی امکان ناپذیر است . تحلیل روندهای پیشین اطلاعات مصرف انرژی جهت پیش بینی روندهای آینده با درنظرگرفتن نرخ توسعه خطوط مترو، راه حلی کلیدی در راستای برنامه ریزی ها و سیاست گذاری های کلان آینده محور خواهد بود. در این پژوهش برای پیش بینی مصرف انرژی خط یک متروی تهران از مدل شبکه عصبی GMDH استفاده شده است که از قابلیت شناسایی و غربال کردن متغیرهای ورودی کم اثر در دوره آموزش شبکه و حذف آن ها در دوره آزمون، برخوردار می باشد و همچنین برای درک میزان دقت پیش بینی با مدل ARIMA مورد مقایسه قرارگرفته است. در این پژوهش، دوازده متغیر اثرگذار بر میزان مصرف انرژی متروی تهران شناسایی شده و به عنوان متغیرهای ورودی مدل در نظر گرفته شده است. نتایج حاکی از آن است که مدل شبکه عصبی GMDH ، به مراتب خطای کمتری را نسبت به مدل ARIMA دارد و از دقت پیش بینی بالاتری برخوردار است.