메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
Seongmin Moon (Defense Acquisition Program Administration)
저널정보
한국경영과학회 Management Science and Financial Engineering Management Science and Financial Engineering Vol.19 No.1
발행연도
2013.5
수록면
1 - 10 (10page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

이 논문의 연구 히스토리 (3)

2013

Predicting the Performance of Forecasting Strategies for Naval Spare Parts Demand : A Machine Learning Approach
Seongmin Moon Management Science and Financial Engineering 2013.05 학술저널

2012

Machine learning Models: a Guide for the Use of Hierarchical Forecasting for Naval Spare Parts Demand
Seongmin Moon 한국경영과학회 학술대회논문집 2012.05 학술대회자료
Machine learning Models: a Guide for the Use of Hierarchical Forecasting for Naval Spare Parts Demand
Seongmin Moon 대한산업공학회 춘계공동학술대회 논문집 2012.05 학술대회자료

초록· 키워드

오류제보하기
Hierarchical forecasting strategy does not always outperform direct forecasting strategy. The performance generally depends on demand features. This research guides the use of the alternative forecasting strategies according to demand features. This paper developed and evaluated various classification models such as logistic regression (LR), artificial neural networks (ANN), decision trees (DT), boosted trees (BT), and random forests (RF) for predicting the relative performance of the alternative forecasting strategies for the South Korean navy’s spare parts demand which has nonnormal characteristics. ANN minimized classification errors and inventory costs, whereas LR minimized the Brier scores and the sum of forecasting errors.
#Hierarchical Forecasting #Non-Normal Demand #Classification #Machine Learning

목차

ABSTRACT
1. INTRODUCTION
2. DEMAND FEATURES AND CLASSIFICATION
3. CASE STUDY
4. THE DEVELOPMENT OF THE CLASSIFICATION MODELS
5. CLASSIFICATION RESULTS AND ANALYSIS
6. CONCLUSIONS
REFERENCES

참고문헌 (0)

참고문헌 신청
참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

이 논문의 저자 정보

이 논문과 함께 이용한 논문

Optimizing Concurrent Spare Parts Inventory Levels for Warships Under Dynamic Conditions
Seongmin Moon ,  Jinho Lee Industrial Engineering & Management Systems 2017 .03
Improving Malicious Web Code Classification with Sequence by Machine Learning
Incheon Paik IEIE Transactions on Smart Processing & Computing 2014 .10
Instructions for Authors
편집부 Management Science and Financial Engineering 2016 .05
A Minimum Degree Ordering Algorithm using the Lower and Upper Bounds of Degrees
Chan-Kyoo Pa ,  k ,  Seungyong Doh 외 3명 Management Science and Financial Engineering 2002 .05

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2014-320-002604202