Neuraalilaskenta ja epälineaarinen dynamiikka komponenttien kulutus- ja myyntiennusteiden laatimisessa

Abstract

<div lang="fi" class="abs"><p class="abs_header">Tiivistelmä</p><p>Elektroniikkateollisuuden yksi perusongelma on komponenttien pitkä hankinta-aika. Lyhyt toimitusaika johtaa väistämättä vaihto-omaisuuden kasvuun, ellei komponenttien hankinta-aikaa pyritä lyhentämään. Komponenttien hankinnan ja varastoinnin hallintaan tarvitaan ennakoivia menetelmiä. Tämän tutkimuksen tavoitteena oli selvittää komponenttien kulutushistoriatietojen käyttöön soveltuvia ennustamismenetelmiä. Laskenta-ajan lyhentämiseksi komponentit pyrittiin jakamaan luokkiin niiden ennustettavuuden perusteella. Sopiville komponenteille pyrittin laatimaan ennusteet käytön kannalta sopivassa aikaikkunassa. </p><p>Tutkimuksessa tarkasteltiin tilastollisia menetelmiä ja erilaisia neuroverkkoja. Heuristisesti suoritettu luokittelu ei ollut riittävän tarkka ja yksiselitteinen, joten luokittelun tarkentamiseksi pyrittiin luomaan opetus- ja testiaineisto eksaktien parametrien mukaan. Tässä raportissa esitellään useita analysointimenetelmiä ja osoitetetaan testitapauksilla, että niiden avulla voidaan erottaa ennustettavissa oleva aika-sarja sellaisista, joita ei voi ennustaa eksaktisti. Testitapauksina käytettiin tunnettuja kaootisia kuvauksia ja yhtälöryhmiä. Eri menetelmien yhdistelmänä kehitettiin aikasarjan kompleksisuuden analysointiin soveltuva yleistetty menetelmä. </p><p>Varsinaisen sovelluksen kannalta ongelmana on selkeästi datan saatavuus. Niille komponenteille, joista dataa oli edes likimain tarpeeksi, saatiin ennusteajoiksi vain muutamia päiviä, joka oli reilusti alle vaaditun tavoitteen. Suurimmasta osasta komponentteja ei voitu sanoa mitään saatavilla olevan datan perusteella. Raportti sisältää listan niistä komponenteista, jotka osoittivat jonkun asteista sisäistä korrelaatiota. Dataa komponenttien kulutushistoriasta ei ollut saatavilla tarpeeksi pitkältä ajalta. Datan kompleksisuus on myös niin korkeaa, että vaadittujen ennusteaikojen saavuttaminen on mahdotonta. </p><p>Tulokset perustuvat Oulun yliopiston "Työkaluympäristöt ja kehitysmenetelmät" (TOOLMET) projektin, joka kuului osana TEKES:n teknologiaohjelmaan "Oppivien ja älykkäiden järjestelmien sovellukset". Projektin rahoituksesta tämän sovelluksen osalta vastasivat TEKES ja Nokia Access Systems Oy.</p></div>