本文選題：服務器　切入點：配件　出處：《北京交通大學》2017年碩士論文

【摘要】：近年來,國家大力發(fā)展信息化建設,我國信息產業(yè)實現(xiàn)跨越式發(fā)展,以金融、電信、交通、教育等為代表的重點行業(yè)對服務器的需求迅速增長。L公司為國內知名的服務器制造商,以L公司為中心的服務器供應鏈中,向上游供應商采購服務器配件是影響公司效益的重要環(huán)節(jié)之一。本文將對L公司服務器配件需求預測予以研究,目的在于通過選擇更加符合L公司實際情況的配件分類和預測模型,使得服務器配件分類更加細致,需求預測結果更加準確。L公司采購部門可以依照優(yōu)化后的預測結果,對服務器配件進行采購。本文在相關理論研究的基礎上,分析了L公司服務器配件需求預測現(xiàn)狀,主要包括配件分類現(xiàn)狀和配件預測現(xiàn)狀。在分類問題上,L公司服務器配件存在分類交叉、客戶滿意度不高的問題。由于分類不合適,以及預測方法亟待改進,導致配件需求預測結果與實際值偏差較大。針對L公司服務器配件需求預測存在的問題,本文主要從兩個方面開展工作:一是對配件分類進行優(yōu)化;二是在優(yōu)化配件分類的基礎上,對配件需求預測進行優(yōu)化。在現(xiàn)狀分析的基礎上,本文建立了需求預測優(yōu)化的兩階段模型。第一階段對L公司服務器配件建立分類模型,在傳統(tǒng)帕累托分類的基礎上新增了訂單周期、采購時間和下單次數(shù)等影響因素,求解算法采用了 ID3算法。第二階段建立了ARIMA-BP神經網絡模型,該模型在傳統(tǒng)的時間序列預測模型上,增加了對非線性特征數(shù)據(jù)的預測,使預測結果更加接近實際值。模型以優(yōu)化配件分類和采購需求的預測結果為目標,對L公司服務器配件進行需求預測。本文結合L公司實際調研得到的數(shù)據(jù)對所建立的模型進行求解。首先利用MATLAB軟件對第一階段服務器配件的分類模型進行求解,得到更加細致的服務器配件分類結果和具有預測意義的配件種類;其次利用SPSS軟件求解ARIMA模型;利用MATLAB軟件求解BP神經網絡。最后,將線性預測數(shù)據(jù)和非線性預測數(shù)據(jù)匯總得到優(yōu)化后的預測結果。根據(jù)模型結果,對L公司服務器配件采購需求預測優(yōu)化效果進行分析。一方面檢驗模型的實用性,另一方面驗證優(yōu)化結果對服務器配件采購需求預測的改善作用。研究結果表明,優(yōu)化后的需求預測結果比優(yōu)化前的預測結果更加接近實際值。
[Abstract]:In recent years, the state has made great efforts to develop information construction, and the information industry in our country has developed by leaps and bounds to finance, telecommunications, transportation,Education and other key industries represented by the rapid growth of demand for servers. L is a well-known domestic server manufacturers, L company as the center of the server supply chain,Purchasing server accessories from upstream suppliers is one of the important links that affect the efficiency of the company.The purpose of this paper is to make the server accessories classification more detailed by selecting the fitting classification and forecasting model which is more in line with L company's actual situation.The demand forecast result is more accurate. L purchasing department can purchase the server accessories according to the optimized forecast result.On the basis of relevant theoretical research, this paper analyzes the current situation of L company server accessories demand forecasting, mainly including the status of accessories classification and accessories forecasting.In the classification of the company's server accessories there is a cross-classification, customer satisfaction is not high.Because the classification is not suitable, and the forecasting method needs to be improved urgently, the forecast result of spare parts demand deviates greatly from the actual value.Aiming at the problems of L company's server accessories demand forecasting, this paper mainly carries out the work from two aspects: one is to optimize the accessories classification; the other is to optimize the spare parts demand prediction on the basis of optimizing the accessories classification.Based on the analysis of the present situation, a two-stage model of demand forecasting optimization is established in this paper.In the first stage, the classification model of L company's server accessories is established. Based on the traditional Pareto classification, the influence factors such as order cycle, purchase time and order number are added. The ID3 algorithm is used to solve the problem.In the second stage, the ARIMA-BP neural network model is established. In the traditional time series prediction model, the prediction of nonlinear characteristic data is increased, and the prediction results are closer to the actual value.The model aims at optimizing the classification of accessories and forecasting the purchasing demand, and forecasts the demand of L company's server accessories.In this paper, the established model is solved by combining the data obtained from the actual investigation of L Company.First, the classification model of the first stage server accessories is solved by using MATLAB software, and the more detailed classification results of server accessories and the kinds of accessories with predictive significance are obtained. Secondly, the ARIMA model is solved by using SPSS software.BP neural network is solved by MATLAB software.Finally, the linear prediction data and the nonlinear prediction data are summarized to obtain the optimized prediction results.According to the result of the model, this paper analyzes the effect of forecasting and optimizing the purchasing demand of server accessories in L Company.On the one hand, the practicability of the model is tested; on the other hand, the optimization results are verified to improve the demand prediction of server accessories.The results show that the optimized demand forecasting results are closer to the actual values than those before the optimization.
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：F274;F49

【參考文獻】

相關期刊論文 前10條

1 洪其伸;陳濤;;基于BP神經網絡化工設備MRO采購預測[J];物流工程與管理;2016年02期

2 翟繼友;;基于決策樹的教師教學質量評價分析[J];教育評論;2015年09期

3 開濱;;基于灰色GM(1,1)模型的圖書館采購預測研究[J];情報探索;2014年12期

4 辛望;王晶;王濤;齊瑞云;;基于GA-GMDH算法的瀝青價格系統(tǒng)建模及預測[J];公路與汽運;2014年06期

5 張薇;何瑞春;;基于案例推理的交通疏導輔助決策方法[J];計算機工程與設計;2014年10期

6 王東海;趙秋紅;;ABC庫存分類的多指標體系及其信息熵方法[J];數(shù)學的實踐與認識;2014年13期

7 劉建粉;史永昌;;基于用戶興趣分類優(yōu)化的聚類模型仿真[J];微電子學與計算機;2014年05期

8 劉冬生;曾小薈;唐衛(wèi)東;肖曉紅;郭愷強;;一種新的告警關聯(lián)聚類算法[J];計算機應用研究;2013年12期

9 趙建忠;徐廷學;李海軍;尹延濤;;基于Logistic回歸、Markov過程和改進灰自助法的導彈備件需求預測[J];科技導報;2013年16期

10 萬宇;劉煒;;基于蟻群改進BP算法的組合預測模型在軍械器材需求預測中的應用[J];海軍航空工程學院學報;2013年03期

相關碩士學位論文 前8條

1 溫強;H跨國公司OEM全球成品采購訂單預測和管理改善研究[D];華南理工大學;2015年

2 吳曉莉;聯(lián)想平板電腦售后服務備件末次訂貨量分析與預測[D];北京交通大學;2015年

3 楊冀;基于多因素綜合分類的動車組配件庫存管理研究[D];北京交通大學;2015年

4 鄭少平;D核電公司基于物料分類的差異化采購管理研究[D];華南理工大學;2014年

5 陸振洲;基于VMI庫存管理的研究及在富士電機企業(yè)中的應用[D];上海交通大學;2012年

6 金升輝;供應鏈環(huán)境下A公司汽車零部件采購模式研究[D];大連海事大學;2012年

7 劉靜;貝葉斯預測下需求連續(xù)的采購策略研究[D];南京理工大學;2010年

8 牛文穎;改進的ID3決策樹分類算法在成績分析中的應用研究[D];大連交通大學;2008年

，

本文編號：1709201