📄Работа №215571
Тема: Оптимизация системы управления запасами предприятий при помощи искусственной нейронной сети LSTM
Тип работы
Дипломные работы, ВКР
Предмет
информатика
Объем:
54 листов
Год:
2022
Просмотров:
5
4540
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
ВВЕДЕНИЕ 6
1 ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ПРОГНОЗИРОВАНИЯ 8
1.1 Характеристика общей деятельности предприятия ООО «ALSO» 8
1.2 Методы прогнозирования временных рядов 10
1.3 Методы прогнозирования с помощью нейронных сетей 21
1.4 Выводы по разделу 27
2 ПРОЕКТИРОВАНИЕ И РАЗРАБОТКА РЕШЕНИЯ 28
2.1 Постановка задачи на разработку автоматизированной системы 28
2.2 Сеть долгой краткосрочной памяти (LSTM) 29
2.3 Метрики качества и функции потерь 35
2.4 Обучение нейронных сетей 39
2.5 Выводы по разделу 42
3 РЕЗУЛЬТАТ ПРОГНОЗИРОВАНИЯ 43
3.1 Алгоритм получения прогноза и обучения нейронной сети 43
3.2 Сеть долгой краткосрочной памяти (LSTM) 46
3.3 Сравнительный анализ результата прогнозирования 48
3.4 Вывод по разделу 51
ЗАКЛЮЧЕНИЕ 52
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 53
1 ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ПРОГНОЗИРОВАНИЯ 8
1.1 Характеристика общей деятельности предприятия ООО «ALSO» 8
1.2 Методы прогнозирования временных рядов 10
1.3 Методы прогнозирования с помощью нейронных сетей 21
1.4 Выводы по разделу 27
2 ПРОЕКТИРОВАНИЕ И РАЗРАБОТКА РЕШЕНИЯ 28
2.1 Постановка задачи на разработку автоматизированной системы 28
2.2 Сеть долгой краткосрочной памяти (LSTM) 29
2.3 Метрики качества и функции потерь 35
2.4 Обучение нейронных сетей 39
2.5 Выводы по разделу 42
3 РЕЗУЛЬТАТ ПРОГНОЗИРОВАНИЯ 43
3.1 Алгоритм получения прогноза и обучения нейронной сети 43
3.2 Сеть долгой краткосрочной памяти (LSTM) 46
3.3 Сравнительный анализ результата прогнозирования 48
3.4 Вывод по разделу 51
ЗАКЛЮЧЕНИЕ 52
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 53
📖 Введение
Главная цель каждого производство – это получения дохода. Чем выше прибыль при минимуме затрат, тем выше эффективность кампании. Достичь этой цели возможно, проведя оптимизацию производства.
Актуальность дипломной работы выражена экономическими и социальными факторами в развитии предприятия. Ежегодный рост доли рынка, требующий увеличения объема выпуска продукции, на фоне ярко выраженного сезонного спроса, ранее приводил к неравномерному выпуску продукции, что требовало резервное оборудование и организовывать добор людей, с дальнейшим сокращением по окончанию сезона, а также данная модель работы не обеспечивала потребности клиентов по срокам отгрузки, так как складского товара шаровых кранов не хватало, на обеспечение спроса. Было принято стратегическое решение о смене модели работы производства в сторону стабильного месячного выпуска на протяжении всего года, с сохранением рабочих мест и организации новых на постоянной основе, по мере необходимости. Это привело к оптимизации структуры затрат, сокращению сроков отгрузки. Но в свою очередь, это привело к сложности реального прогнозирования производства.
Для решения данной проблемы было решено разработать систему прогнозирования необходимой продукции на складе. Это позволит достигнуть стабильного уровня производства продукции в течении года, необходимости повышенных расходов и кадровых манипуляций.
В дипломной работе предлагается использовать искусственную нейронную сеть долгой краткосрочной памяти (LSTM) для прогнозирования готовой продукции на складах предприятия ООО «ALSO».
Таким образом, целью данной дипломной работы является построение прогнозов по учету готовой продукции на складах ООО «ALSO» с помощью искусственной нейронной сети.
Для достижения поставленной цели необходимо решить следующие задачи:
• провести анализ предметной области, деятельности предприятия ООО «ALSO», а конкретно управления складским учетом;
• исследование существующих систем управления складом, их сущности, характеристики и особенности;
• изучение нейронной сети LSTM и возможности её применения для поставленной задачи;
• реализовать выбранную нейронную сеть для прогнозирования необходимой продукции;
• протестировать работу сети на различных входных данных;
• провести сравнительный анализ результатов прогнозирования;
• сделать выводы о преимуществах и недостатках реализованной сети при решении задачи.
Актуальность дипломной работы выражена экономическими и социальными факторами в развитии предприятия. Ежегодный рост доли рынка, требующий увеличения объема выпуска продукции, на фоне ярко выраженного сезонного спроса, ранее приводил к неравномерному выпуску продукции, что требовало резервное оборудование и организовывать добор людей, с дальнейшим сокращением по окончанию сезона, а также данная модель работы не обеспечивала потребности клиентов по срокам отгрузки, так как складского товара шаровых кранов не хватало, на обеспечение спроса. Было принято стратегическое решение о смене модели работы производства в сторону стабильного месячного выпуска на протяжении всего года, с сохранением рабочих мест и организации новых на постоянной основе, по мере необходимости. Это привело к оптимизации структуры затрат, сокращению сроков отгрузки. Но в свою очередь, это привело к сложности реального прогнозирования производства.
Для решения данной проблемы было решено разработать систему прогнозирования необходимой продукции на складе. Это позволит достигнуть стабильного уровня производства продукции в течении года, необходимости повышенных расходов и кадровых манипуляций.
В дипломной работе предлагается использовать искусственную нейронную сеть долгой краткосрочной памяти (LSTM) для прогнозирования готовой продукции на складах предприятия ООО «ALSO».
Таким образом, целью данной дипломной работы является построение прогнозов по учету готовой продукции на складах ООО «ALSO» с помощью искусственной нейронной сети.
Для достижения поставленной цели необходимо решить следующие задачи:
• провести анализ предметной области, деятельности предприятия ООО «ALSO», а конкретно управления складским учетом;
• исследование существующих систем управления складом, их сущности, характеристики и особенности;
• изучение нейронной сети LSTM и возможности её применения для поставленной задачи;
• реализовать выбранную нейронную сеть для прогнозирования необходимой продукции;
• протестировать работу сети на различных входных данных;
• провести сравнительный анализ результатов прогнозирования;
• сделать выводы о преимуществах и недостатках реализованной сети при решении задачи.
✅ Заключение
В ходе выполнения выпускной квалификационной работы было выполнено исследование задачи прогнозирования складской продукции на предприятии ООО «ALSO». В процессе выполнения работы была проанализирована необходимая литература и сформированы знания о предметной части.
В качестве рассматриваемых нейронных сетей была выбрана сеть долгой краткосрочной памяти (LSTM). Для сети составлена математическая модель и разработана архитектура при этом исходные данные были проанализированы и предварительно обработаны перед тем, как использовать их в обучении модели для решения задачи прогнозирования. В качестве алгоритма обучения для нейронных сетей выбран метод добавления импульса Нестерова в метод адаптивной инерции (Nadam), являющийся модификацией стохастического градиентного спуска.
Разработанные архитектуры нейронных сетей были реализованы на языке программирования Python 3.7, с применением библиотеки машинного обучения TensorFlow и нейросетевой библиотеки Keras, а также интегрированной среды разработки PyCharm.
Для проведения сравнительного анализа точности прогнозирования, установило, что искусственная нейронная сесть (LSTM) является наиболее точной нейронной сетью при решении задачи регрессии временного ряда, но из-за нехватки исходных данный не смогла достичь точности для практического применения.
В качестве рассматриваемых нейронных сетей была выбрана сеть долгой краткосрочной памяти (LSTM). Для сети составлена математическая модель и разработана архитектура при этом исходные данные были проанализированы и предварительно обработаны перед тем, как использовать их в обучении модели для решения задачи прогнозирования. В качестве алгоритма обучения для нейронных сетей выбран метод добавления импульса Нестерова в метод адаптивной инерции (Nadam), являющийся модификацией стохастического градиентного спуска.
Разработанные архитектуры нейронных сетей были реализованы на языке программирования Python 3.7, с применением библиотеки машинного обучения TensorFlow и нейросетевой библиотеки Keras, а также интегрированной среды разработки PyCharm.
Для проведения сравнительного анализа точности прогнозирования, установило, что искусственная нейронная сесть (LSTM) является наиболее точной нейронной сетью при решении задачи регрессии временного ряда, но из-за нехватки исходных данный не смогла достичь точности для практического применения.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.