پیش بینی تقاضای قطعات یدکی خودرو با استفاده از روشهای سری زمانی (آریما)

با توجه به ویژگی های تقاضای قطعات یدکی سبب مشکلاتی در پیش بینی این نوع تقاضاها شده است.  تعدد زیاد قطعات یدکی خودرو ، رفتار تصادفی آنها در طول زمان و صفر بودن تقاضا در بسیاری از پریودها پیش بینی میزان مصرف را به یکی از بزرگترین چالش های پیش روی شرکتهای خودروسازی و تأمین کنندگان قطعات تبدیل کرده است.  مدلهای پیش بینی سری زمانی:چندین روش متفاوت به منظور مدلسازی سری های زمانی وجود دارند. مدلهای آماری شامل میانگین متحرک ، هموارسازی نمایی و آریما خطی می باشند که در آنهاپیش بینی مقادیر آینده به این موضوع محدود شده است که مقادیر آینده توابع خطی از مشاهدات گذشته باشند. اینگونه روشها به دلیل سادگی نسبی در فهم و به کارگیری ، در تحقیقات چند دهه اخیر بسیار مورد توجه بوده اند. برای غلبه بر محدودیت خطی بودن مدل و به حساب آوردن الگوهای غیرخطی مشخص در مسائل واقعی ، چندین نوع مختلف از مدل های غیر خطی در ادبیات موضوع پیشنهاد شده استکه از جمله مهمترین آنها می توان به اتورگرسیو شرطی (ARCH) ، دو خطی و اتورگرسیو آستانه ای (TAR) اشاره نمود. هرچند مدلهای غیرخطی مذکور بهبودهایی در مسائل پیش بینی ایجاد نموده اند ، اما به کار گیری آنها در حالت کلی محدود می باشد چراکه اینگونه مدلها تنها برای الگوهای غیرخطی خاصی طراحی شده اند و قادر به مدلسازی انواع دیگر سری های زمانی غیر خطی نمی باشند. اخیرا شبکه عصبی مصنوعی به عنوان یک جایگزین مناسب جهت مدلسازی سری های زمانی پیشنهاد شده اند. نقطه قوت اصلی شبکه های عصبی مصنوعی قابلیت مدلسازی غیرخطی انحراف پذیر آنهاست. در ادامه این مقاله به تشریح اصول اساس فرآیند مدلسازی توسط مدل آرما و آریما پرداخته خواهد شد.