Deep Neural Network Ensemble for Improving Spare Parts Inventory Efficiency
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2025-02-10
Department
Major/Subject
Strategy
Mcode
Degree programme
Master's Programme in Industrial Engineering and Management
Language
en
Pages
57
Series
Abstract
This thesis proposes a deep neural network ensemble to forecast spare parts demand with the objective of improving inventory efficiency. To assess the performance of the model, two tests are conducted on an empirical dataset of 1,722 spare parts from the machinery industry. The first test is a one-step-ahead accuracy evaluation using monthly demand observations, while the second is a periodic-review inventory simulation that incorporates real lead times, ordering constraints, and several target cycle service levels. Five established methods serve as benchmarks: Croston’s method, SBA, WSS, EBBA, and LightGBM. The experimental results show that the proposed ensemble performs competitively in both forecast accuracy and the inventory simulation, ultimately emerging as the only model able to challenge top performers WSS and EBBA. As such, this thesis contributes to spare parts demand forecasting literature by introducing a novel weighted asymmetric loss function, demonstrating the benefits of neural ensembling, and applying these techniques to a large-scale empirical dataset. The strong inventory performance of the proposed model makes it an appealing choice for practical use and a valuable benchmark for future studies in this domain.Tässä diplomityössä esitetään syväoppivaan neuroverkkokokoelmaan pohjautuva kysyntäennustemalli, jonka tavoitteena on parantaa varaosavaraston tehokkuutta. Mallin suorituskykyä arvioidaan kahdella kokeella, jotka toteutetaan hyödyntäen empiiristä tietoaineistoa 1722 varaosasta konepajateollisuudessa. Ensimmäinen koe mittaa yhden kuukauden ennustetarkkuutta historiallisten kysyntähavaintojen avulla, kun taas toinen arvioi simuloidun jaksollisen seurannan varaston tehokkuutta huomioiden todelliset toimitusaika- ja tilauserärajoitteet sekä useat palvelutasotavoitteet. Ehdotetun mallin suorituskykyä verrataan viiteen kirjallisuudessa vakiintuneeseen ennustemenetelmään: Crostonin menetelmä, SBA, WSS, EBBA ja LightGBM. Kokeelliset tulokset osoittavat ehdotetun ennustemallin olevan kilpailukykyinen sekä ennustetarkkuudessa että varastotehokkuudessa sillä se on ainoa menetelmä, joka kykenee haastamaan vahvasti pärjänneet WSS- ja EBBA-mallit. Näin ollen tämä diplomityö täydentää olemassa olevaa kirjallisuutta varaosakysynnän ennustamisesta esittelemällä uudenlaisen painotetun ja epäsymmetrisen tappiofunktion ennustemallin kouluttamiseen, havainnollistamalla neuroverkkokokoelman muodostamisen hyötyjä sekä soveltamalla näitä menetelmiä laajaan empiiriseen tietoaineistoon konepajateollisuuden kontekstissa. Ehdotetun ennustemallin tehokkuus varastonhallinnassa tekee siitä houkuttelevan vaihtoehdon käytännön sovelluksiin ja kilpailukykyisen vertailupisteen tuleville tutkimuksille.Description
Supervisor
Saarinen, LauriThesis advisor
Eriksson, LasseKeywords
forecasting, intermittent demand, spare parts, inventory management, simulation, neural networks