TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol.12, No.5, May 2014, pp . 3483 ~ 34 9 0   DOI: http://dx.doi.org/10.11591/telkomni ka.v12i5.3238          3483     Re cei v ed Ma y 22, 201 3; Revi sed  De ce m ber 9, 2013 ; Accepte d  Decem b e r  29, 2013   Demand Forecasting Model of Port Critical Spare Parts       Zhijie Song 1   , Zan Fu* 1 , Han Wang 1 , Guibin Hou 2   1 Departme n t of Economics a n d  Mana gem ent , Y anshan U n iv ersit y , He be i, 0660 04, Ch ina   2 Qinhua ng dao  Port Co., Ltd.,  Heb e i, 06 600 2, Chin a   *Corres p o ndi n g  author, e-ma i l : 5311 54 09@ q q .com      A b st r a ct   De ma nd forec a sting for  port  critical s pare  p a rts (CSP)  is  notori ously  diffi cult as it is  ex pens ive,   lu mpy  an d i n te rmittent w i th  hi gh v a ria b il ity. In this   pa per, s o me i n flu enti a l  factors w h ich   have  an  effect  on   CSP cons u m pt ion w e re  pro p o s ed acc o rdi ng  to port CSP  c h aracteristics an d  histor ical dat a.  And ana lytic   hier archy proc ess (AHP) is used to siev e out the more  i n flue ntial facto r s. Comb in ed  w i th the influe ntia l   factors, a le a s t squares  s upp ort vector  mach i nes ( L S-SVM) mo de l opti m i z e d  b y  particl e sw arm  opti m i z at ion  (PSO) w a s de velo ped  to for e cast the  de ma nd. A nd th e effective nes s of the  mo d e l i s   de mo nstrated  throu g h  a r eal   case stu d y, w h ich s how s that  the  pro pose d   mo de l ca n for e cast the  de ma nd   of port CSP more accur a tely,  and effective l y  reduce i n ve ntory backl og.     Ke y w ords : sp are p a rts, de ma nd for e casti ng, an alytic h i erarchy pr oce ss (AHP), leas t squares s u p port  vector mac h i n e s  (LS-SVM), particle sw arm  o p timi z a ti on (PS O )    Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  Port enterpri s es play a very important ro le  in eco nomi c  develo p me nt, and they also pla y   a sig n ifica n t role in the  wh ole logi stic  ch ain. In  order t o  avoid d o wn time of the e quipme n t due  to  spa r e pa rts  shortag e , port  enterp r i s e s  tend to st ore la rge am ount s of spa r e pa rts, whi c h take  up  a lot of inventory ca pital, but even so, spare  part s  sh ortage  phe no menon  still o c curs freq uen tly.  Therefore,  predictin g spa r e pa rt s  dema nd ha s  be co me the  key t o  solve the s e  pro b lem s  [1] .  In   this pape r, we focus o n  the critical spa r e par ts, whi c h are more importa nt to the equip m ent  and  occupi ed mo re inventory capital. But CSP have the  cha r a c t e ri st ic s of  mult iple i n f l uen ce f a ct ors ,   non-li nea rity and hig h  vari ability, which  bring s  difficult ies to pre d ict  the deman d.  Re sea r che r s  have develo p ed many fo re ca sting te chn i que s in t he l a st  de ca de s,  su ch a s   time  se rie s  p r edi ction met hod, Cro s ton’ s  meth od,  Bo otstrap p ing,  neural n e two r k [2,  3] an d  so   on. Li and Kuo appli ed e nhan ce d fuzzy neural net work (EF N N) to foreca st the dema nd for  automobil e  spare  part s  in  a cent ral warehou se,  u s in g analytic hi e r archy p r o c e s s (A HP) meth od  to determi ne  factor’ s  wei ght. The exp e rime ntal re sults sho w  th at EFNN  out perfo rms  oth e r   model s in fill  rate an d sto ck  co st mea s ures  [4]. Hu a and Z han g  prop osed a n  appli c ation  of  sup port ve cto r  ma chi n e s  (SVM) re gression  meth o d   for forecastin g spare p a rt s dema nd,  wh ich   aiming fi rstly  to fore ca st th e o c curren ce  of no nzero   deman ds,  an d then  to e s ti mate lea d -ti m e   deman d. Th eir test u s in g real d a ta sets of 30  kinds of spa r e part s  from  a petro che m ical  enterp r i s e in  Chin a su gge sted thi s  met hod pe rf orm  better than  Crosto n’s, b o o t strappi ng a n d   other methods  [5].    Based  on the  above literat ure s , there  are not  many i n vestigatio ns focu sed o n  the CSP   requi rem ent predi ction. In vestigation s   on port in dus tries a r e eve n  fewe r. In general, there  is no   approp riate fore ca sting m odel for pred icting t he re quire ment of  port CSP. Furthe r more, no  method s hav e been  previously p r op osed that ma ke  full use of  real data b a sed on p o rt  CSP  relative facto r s, as  we do i n  this stu d y. In th is arti cle,  Lea st Square s  Supp ort Ve ctor M a chi n e s   (LS-SVM )  [6] reg r e ssi on,  a semi -pa r am etric modeli ng  t e ch niqu e, is  use d  to p r edi ct the p o rt  CSP  deman d. Firstly, we p r o posed  some  infl uential f a ctors  whi c h  have an  e ffect on  CSP  con s um ption  after analyzi n g port CSP chara c te ri sti c s and histo r ical data. And applie d analy t ic  hiera r chy pro c e ss (A HP) t o  sieve out the more  influential facto r s as the in p u ts of LS-SVM  model. Seco ndly, aiming at the param eter optimiz ation pro b lem i n  LS-SVM, the particl e swarm   optimizatio n (PSO) algo rith m wa s ad opt ed to opt imi z e the pa ram e ter and i m pro v e the learni ng   performance and  genera lization ability of LS-SVM model. The  proposed PSO-LSSVM m odel  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 5, May 2014:  3483 – 34 90   3484 take s into accou n t influent ial factors of port C SP, and the real  case  study wi th real data i n   Qinhu ang dao  port illustrate s the effectivene ss of the  model.       2. Rese arch  Metho d   2.1. Analy t ic  Hierar ch y  Pr ocess   Analytic hie r a r chy  process  (AHP) was propo se d  by T homa s  L.Sa a t y in 198 0 [7] ,  whi c h   is one of wi dely used mul t i-criteria deci sion-m a k in g  method s. AHP involves th e prin cipl es  of  decompo sitio n , pair-wise comp ari s o n s,  and prio ri ty vector gene ration an d synthesi s . In this  study, the AHP method wa s u s ed to  sel e ct influe nce  factors of the  port CSP a n d  determine t he  relative impo rtance.   The thre e ma in step s of AHP are  sho w n as follo ws:   Step 1: Const r uctio n  of hierarchical structure.   Step 2: Calcu l ation of weig hts between f a ctors at ea ch hiera r chi c al  level.  Step 3: Calcu l ation of the ov erall hie r archical  weight s.   Ask  evaluato r s to m a ke p a ir-wi s e  com pari s on s of t he rel a tive importa nce of  variable s   usin g the  scale. Based  o n  the  re sults of the  que stionnai re, a  p a ir-wi s e  com pari s on  matri x  is  con s tru c ted  t o  calculate t he  cha r a c teristic val u e s   and th e  cha r acte ri stic ve ctors, the r eb y  examining th e con s i s ten cy of the matrix to derive a con s i s te ncy index ( C.I ). For each   alternative, th e con s iste ncy  ratio  ( C.R ) is me asu r ed  by the  ratio  of the  consi s ten c y in dex to the   rand om ind e x ( RI ). The eq uat ions a r e a s  follows:      ma x λ -n CI C. I = , C . R = . n- 1 R I                                                                                                                                     (1)     Gene rally, the value of  C . R   sho u ld be le ss tha n  0.1 to guara n tee  con s iste ncy.  If  con s i s ten c y doe s not co mply with the requi rem e nt, it means that judgm ents ma de  are  inco nsi s tent. And the re se arche r  sh all e x plain t he pro b lem of every  pair-wi se  co mpari s o n . After  cal c ulatin g weights of eve r y facto r , we  can  obtai n th e mo re i n flue ntial facto r s  as th e in puts of  LS- SVM model.    2.2. Least Sq uares Supp o r t Vector Ma chines   Lea st sq uare s  supp ort ve ctor m a chine s  (LS - SVM) i s  a mo dificat i on of the st anda rd  sup port ve cto r  machine  (SVM) and  wa s develop by  S u yken s [6]. LS-SVM is use d  for the opti m al  contr o l of non -linea r sy ste m s for cl as sifi cation a s  w e ll  as reg r e s sio n .  Given the sa mple of  kk D = x , y , k = 1 , 2 , , N , with input vectors n k xR  and outpu t   values  k yR . The goal is to e s timate a model  of the form:    T y( x) = ω (x ) + b                                                                                                                                                       (2)      Whe r e  ()  is the mappi ng to a high dimensi onal fe ature spa c e.  Combin e the functional   compl e xity and fitting error,  the optimizat ion pro b lem o f  LS-SVM is given as:      N 2 2 k ω ,b , e k= 1 1 mi n Q ω ,b , e = ω +e 22   >0   s.t . T kk k y= ω (x ) + b + e   k= 1 , 2 , , N                                                                                                     (3)      This form ula t ion con s ist s  of eq uality inste ad  of ineq uality  con s trai nts.  Con s tru c ting  the   Lagrangi an:      N T kk k k k= 1 L ω ,b , e , a = Q ω ,b , e - a ω (x ) + b + e - y                                                               (4)   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Dem and Fo re ca sting Mod e l  of Port Cr itical Spare Pa rts (Zhiji e Song )  3485 Whe r e  k aR  are  the Lan grang e multiplie rs.  Se tting  the partial deriva t ives  of   L ω ,b , e , a   respec t to ω , b ,   e  and  a  to be 0,  we get:             T N -1 NN 01 0 b = 1 Ω + Ι y α                                                                                                                                (5)     With  N 1= 1 , , 1 , 12 N α = α , α , α , 12 N y= y , y , y ,  and  Mercer’ s  con d ition is appli ed within  the  Ω   matrix:     T ij i j Ω =( x ) ( x ) i , j = 1, 2, , N                                                                                                                  (6)     The output of  LS-SVM reg r ession i s :     N ki j k= 1 y( x) = a K x , x + b                                                                                                                                  (7)     Whe r e  k a  and   b  are the sol u tions to the lin ear sy stem . Note that in the ca se of RBF Kernel,  one ha s only  two addition al tuning pa rameter  whi c h  is   and  ,   stand s for the  weig ht at  whi c h th e te st ing e r rors  will  be  treate d  in  rel a tion to  th e sepa ration   margi n , an d   stand s  fo r  th e  width of the kernel fun c tion . The RBF Kernel is d e fine d as:      2 2 ij i j Kx , x = e x p - x - x / σ                                                                                                              (8)     2.3. Particle S w arm Opti miz a tion  As s h o w n in   (6)  and  (9 ),    and  are i m po rtant pa ram e ters in LS -SVM model  whi c h  determi ne th e accu ra cy and g ene rali zation  ability of LS-SVM model. Ho wever, the s e  two   para m eters a r e given a r bit r arily in g ene ral LS- SVM  model. In this section, a  new evol utio nary   comp utation  call ed p a rti c le  swarm  optimizatio n  (PSO) [8] i s  appli ed to  obtain  opti m al  para m eters  of LS-SVM. PSO is an  evoluti ona ry comp utation  techni que b a s ed o n  swa r m  intelligen ce. It has many a d vantage s ov er othe r heu ri stic techniq u e s. PSO algo rithm ca n exp l oit  the di stribut ed and  parallel  co mputing capabilities,  to  escape local  opt ima and quick  conve r ge nce.  In PSO, individual s are ca lled pa rticle s  and the  pop u l ation is  call e d  a swa r m. I n  a n- dimen s ion a l compl e x   se ar ch spa c e,   t h e  i th  parti cle update s   its p o sition and speed with  th e   rule s as give n belo w :    k+ 1 k k k k k id i i d 1 1 i d i d 2 2 g d i d V= ω V + c r (P - X ) + c r (P - X )                                                           (9)      k+ 1 k k+ 1 id id id X = X + V , i = 1, 2 , n , d = 1, 2, D                                                          (10 )     Whe r e  T ii 1 i 2 i D V= ( V , V , V )  is the  spe ed vecto r  of  the   i th particle,  T ii 1 i 2 i D X= ( x , x , x )  is the  positio n ve ctor of   the  i th particle,  i ω  is the inertia weight,  1 c   and  2 c  are l e arnin g  p a ra m e ters,  1 r   and   2 r   are  ran dom value be tween 0 a nd  1.      3. Modeling Based on AHP-PSO-LSSVM  for Port  CSP Demand Forcasting  3.1. Analy s is  of Port CSP Influential F actor s Ba se d on AHP   As the  po rt e n terp rises lo cate in  coa s tal  are a s, th e  surroun ding s  of the e quip m ent a r e  very bad, an d  the equi pme n t must u nde rgo the b ad  e n vironm ent,  such as high -l ow  temp eratu r e,  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 5, May 2014:  3483 – 34 90   3486 vibration a n d  so o n . Besid e s, p o rt  take s l ong -term continu ous  ope ratio n  with a hi gher  prod uctivity, and the m a n ageme n t leve l of the  equip m ent mainte n ance pe rsonn el also  plays  an  importa nt part. Therefore, the re ason s for CSP re pla c ement are infl uen ced by ta sks, equi pme n t,  environ ment, human, a cci d ents an d ma n y  other com p l i cated fa ctors.  In ord e r to q uantify these  factors fo r th e mod e l' s in p u t, we  analy z ed the  hi stori c al  data  and  referred  to the opi ni ons  of the e x perts. Be sid e s,  the auth o rs  have discu s sed with the  experts a nd the que stionn aire ba se d o n  AHP  wa s distrib u ted to  30 manag ers and  staffs, 28   effective  que stionn aire s were coll ecte d .   After  que stionnai re inve stigation, d a ta analy s is a n d   weig ht calcul ation a c co rdi ng to  AHP  m e thod, th e  d e s cription s an d weight s  of  each influ enti a l  factor a r e list ed as Ta ble  1. In order t o  elim inate irrelevant noi se and de rive  the foreca sti n g   result more a c curate, the  author  will first assume  five factors of the front as th e input varia b le.  They are eq u i pment wo rking hou rs, eq uipment ha nd ling volume, failure time, m a intena nce time  and fail ure  ra te. In the  nex t experim ent  se ction, the  r eal d a ta  of fo ur fa ctors, fiv e  facto r s a n d  six  factors will b e  tested to see whi c h d a taset ha s the  higher  accu racy, and the n  the numb e r  of  input variabl e s  is dete r min ed.      Table 1. The  Weig hts of ea ch Influential  Facto r s  The influential factors  Weights  Equipment w o rki ng  hours   0.1525   Equipment handl ing volume  0.1311   Failure time  0.1249   Maintenance time  0.1130   Failure rate    0.1022   CSP lifetime   0.0925   The historical req u irement at the s a me month   0.0879   Quantit y of CSP i n  one equipment   0.0757   Environmental factors  0.0720   Accidental factors  0.0482       3.2. The PSO-LSSVM Model for Port CSP  In orde r to b u ild the LS-SVM model  for Po rt CSP ,  we ma ke the influential  factors  prop osed ab ove as the in put ve ctors of LS-SVM, and make  CSP deman d as t he output values  [9]. The LS-SVM model for port CSP de mand is  sho w n in Figure 1.        Figure 1. LS-SVM Model for Port CSP  Dema nd       The pa ramet e rs    and  are  optimize d  by PSO [10] with flowch art sh own in Fig u re  2.    w o rking hours    Handling volume   Failure time   Maintenance time   1 K(x , x )   2 K( x , x )   M K( x , x )   . . . CSP demand    Input vectors  Kernel  Output values   Fai l u re rate   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Dem and Fo re ca sting Mod e l  of Port Cr itical Spare Pa rts (Zhiji e Song )  3487   Figure 2. PSO Optimizatio n  Flowcha r t o f  LS-SVM      4. Experiments and  Disc ussion   4.1. Data Pre p aratio n   In this stu d y, the time serie s  data  of po rt  CSP co nsum ption alo ng  wi th the five influential   factors  cove red from  Jan u a ry, 20 08 to   De cemb er ,  2 012,  whi c h i s  obtain ed f r o m  Qin huan gd ao   Port. From the dataset, there a r e 60 sa mples a s   ea ch month is a sampl e , and  the first 80% is  use d  for train i ng whil e the  balan ce of 2 0 % is for te sting. The mo d e l is si mulate d with the LS - SVMlab1.8 toolbox in M A TLAB environment. Prio r to training,  all input and output were   norm a lized  u s ing  fun c tion  scalefo r SVM. The  obje c tive is to i ndep ende ntly no rmali z e  e a ch   feature comp onent  to  the spe c ified ran g e 0, 1 , as norm a lizatio n tech nique m a y improve th e   predi ction a c curacy an d d a ta mining al gorithm [11].     4.2. Parameters Op timiza tion   The  origi nal  values of th e  pa ramete rs i n   PSO  are   shown in  Ta bl e 2. An d  eval uate the  desi r ed  optim ization  fitness functio n  fo r  each p a rt i c le as  th e  M ean  Square  Erro r (MSE) over  the   data  set. Th rough  the o p timization  ste p s  in  Figu re  1 ,  the optimal   para m eters  a r e o b taine d  a s   = 26. 8024 ,  σ = 1 .7686 .    Table 2. PSO  Paramete rs  Parameter  value  Sw ar m size  30  Evolution genera t ions  300  Learning pa rame ters  1 c   1.5  Learning pa rame ters  2 c   1.7  numeric area of    [0.01,1000]   numeric area of    [0.01,100]       4.3. Ev aluation Metric s   For the  purp o se  of evalu a ting the p r o pos ed te chni que, two q u antitative evaluation  metrics are utilized, namel y Mean Abso lute Pe rce n ta ge Erro r (MA PE), and Mean Square Error  (MSE), whi c h  are define d  a s  follows:   set initial parameters of PSO  determine searc h  space of    and    train model of LS -SVM  compute values of fitness  select optimal value of ever y partic l e  select optimal value of particle swarm   if meet the condition of ending?   update curr ent s peed and positio n  No   Ye s   obtain optimal    a nd    Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 5, May 2014:  3483 – 34 90   3488 ˆ n ii i= 1 i y- y 1 MA P E = 1 0 0 ny                                                                                                                                (11 )      ˆ n 2 ii i= 1 1 MS E = y - y n                                                                                                                                               (12 )     Whe r e  i y   s t an ds  fo r ac tu a l  va lu es ,  ˆ i y   stand s for predi cte d  value s , an d   n   sta n d s  for th e num ber  of samples. It is generally cons idered that the smaller the va lue of  MAPE and MSE, the better  accuracy of the pre d ictio n .    4.4. Results and Disc uss i ons  As  shown in  Figure 3, the  proposed model  PSO-LSSVM c a n obtain relatively ac curate  predi ction s  fo r CSP dema nd, as 75% of the sa mpl e s are pre d icted absol utel y correct and  the  error  of the rest is at mo st 2. By using  the  same tes t  samples ,  comp a r ed  with  LS-SVM mo de l   using cross-v a lidation opti m izat ion met hod. Com puti ng the MAPE and MSE shown in Tabl e 3, it  is obvious that approximat e accuracy of PSO-L SSVM is much better than LS-SVM with cross- validation opti m ization.       Figure 3. The Compari s on  Chart of Predicted  Value and Actual Val ue of PSO-LSSVM Model      Table 3. Tabl e of Error  Co mpari s o n   model MSE  MAPE  PSO-LSSVM 0.4500   5.2944   LS-SVM   0.8913   8.6571       In the above  experim ent, five influential factors  are ta ken a s  the in put variable s .  In orde r   to see if it is t he best  choi ce,  we  will  compare with the models  of  four factors  and  six factors of  the front in t he re sult of  AHP method.  The  co mp arison  ch arts o f  predi cted v a lue a nd a c t ual  value of fou r   factors m odel  and  six facto r s  model   are  sho w n i n  Fig u re  4 an d Fig u re  5. And th e   MSE comp ari s on  of the th ree m odel i s   sho w n i n   Ta ble 4. From t hese fiure s   a nd table s , three  promi nent fin d ing s  ca n be  observed.   First, it i s  o b vious that LS -SVM model  d i d  a g r e a t job  in po rt  CSP  deman d fo re ca sting.  And the perfo rman ce of PSO is better th an normal pa ramete r opti m ization m e thod.   Secon d , the  model  of six i nput vari able s  h a s th e b e st MSE, but Figure  3  and  5  illustrat e   that five and six factors m odel s have th e sam e  predi ction result. It mean s that the sixth facto r   CSP lifetime doe s not pla y  an importa nt role in the  model. So, the dem and f o re ca sting m odel  still cho o se the first five factors in the result of AHP method.   Last, but not  least. Using t he propo sed  model, we ca n pre d ict the  mean d e man d  of the  spa r e p a rt s  next month, and  set the  rang e of sa fety inventory, which will  effectively re duce   inventory ba cklog.   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Dem and Fo re ca sting Mod e l  of Port Cr itical Spare Pa rts (Zhiji e Song )  3489 Figure 4. The  Compa r i s on  Cha r t of Pred icted  Value and A c tual Value of Four F a cto r s  Model   Figure 5. The  Compa r i s on  Cha r t of Pred icted  Value and A c tual Value of Six Factors Model       Table 4. Tabl e of MSE Compari s o n    Model w i th diffe r ent number  of fa ctors  Four facr ors   Five facrors  Six factors  MSE   0.6528   0.4500   0.4405       5. Conclusio n   Spare  pa rts  manag eme n t ha s al way s   been  a ve ry i m porta nt pa rt  in fa ctori e s,  esp e ci ally  in port industry. Excess ive spare part s  will  cause backl og  of th e i n ventory  and insufficiency  will   cause termination of eq ui pment operation, leadi ng t o  loss.  In this paper, a PS O-LSSVM m odel  for port CSP i s  pro p o s ed.  Unli ke previo us spar e pa rts dema nd research, so me i n fluential fact ors  are  in clude d  as i nput s in  t he m odel,  wh ich  ma ke s th e mo del  more comfort  to t he  cha r a c teri stics  of the port CSP. In additio n , a new PSO algorithm  i s  introd uced  to optimize th e param eters of  LS-SVM mod e l, and the ex perim ents  with real d a ta  in  Qinhua ngd a o  port sho w  that the fore cast  accuracy of PSO-LSSVM method is be tter than norm al LS-SVM method.   The fo re ca sting mo del  of  this p ape r  ca n be   provide d  a s  a  refe re nce  of  critica l  sp are  parts  man a g e ment in p o rt enterp r ises  to make  plan ning a nd red u ce  risks an d co sts. And  to   other type  of  comp anie s   which  also h a ve sp are pa rts pro b lem s , ch ange  so me o f  the influenti a l  factors in the  model may  also a d ju st to their  si tuati on. It is note d  that the pa per give s a n e w  forecastin g m e thod for  spa r e pa rts dem and, and the  method is  clo s er to the e n terp rise pra c ti ce.       Ackn o w l e dg ements   This work wa s finan cially suppo rted by the  Education a l Commi ssio n of Hebei Province  of Chi na  (Z H2012 021 ) a n d  Th e  Natu ral Sci e n c e F ound ation  of He bei P r ovi n ce  Youth  F und  (G20 112 031 9 5 ).       Referen ces   [1]  F e iLo ng C h e n , YunC hin  Ch e n , JunYu an K u o. Appl yi n g  mo ving  back-pr op agati on  neur al  net w o rk  an d   movin g  fuzz y  neur on  net w o r k  to pr ed ict th e re quir e me nt  of critica l  sp ar e p a rts . Expert  System s with  Appl icatio ns . 2 010; (37): 4 358 –43 67.   [2]  Somnath Muk h opa dh ya y ,  Adr i ano O.Solis, R a fae S Guti err e z.  T he Accura c y  of Non-tra d i t iona l versus  T r aditional Met hods of F o rec a sting Lum p y   D e man d .  Journ a l  of F o recastin g.  2012; (3 1): 721-7 35.   [3]  Andre a  Bacc h e ttin, Nico l a  S a ccan i . Spar e  parts  cl assifi cation  an d d e m and f o recast ing for  stock  control: Investi gatin g the ga p bet w e en res e a r ch and pr actic e .  Omeg a.  201 2; (40): 722 –73 7.  [4]  SG Li, X Kuo.  T he inventor y  mana geme n t system for auto m obil e  s par e p a rts in a centra l  w a re hous e.   Expert Systems w i th Applicati ons.  200 8; (34) : 1144– 11 53.   [5]  Hua H, Z h a ng  B. A h y br id su pport vector m a chi nes  a nd l o gistic regr essio n  ap proac h for  forecastin g   intermittent de mand of spar e  parts.  Appli ed  Mathe m atics a nd Co mputati o n.  2006; (1 81): 103 5– 48.   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 5, May 2014:  3483 – 34 90   3490 [6]  Su y k ens JAK,  Vand e w a l l e  J. Least Sq uar es  Supp or t Vector Machi ne  Cl assifiers. Ne ur al Proc essin g   Letters. 199 9; 9(3): 293- 30 0.  [7]  Saat y  T L .  T he ana l y t i c hier arc h y   process. Ne w   York: McGra w - H il l. 198 0.  [8]  Kenn ed y J, Eb erhart R.  Partic le sw arm  opti m i z at io n.  Proceedings of IEEE Inte rnational Conferenc e on  Neur al Net w o r ks. Perth: I EEE Press. 1995: 1 942- 194 8.   [9]  Peng B a i, Xibi n Z hang, Bi n Z hang et a l .  Supp ort Vector Machi ne a nd it s Applic atio n i n  Mixed Ga s   Infrared Spectr um A nalys is . Xi' an Electro n ic  Sienc e &T echnolo g y   Univ ersit y  Press. 20 08: 69-7 6 .  [10]  Qian w e n  Xi an g, Yukun  Sun,  Xi aofu J i .  Mo deli ng In ducta nce for Be ari n gless Sw itche d  Re luctanc e   Motor based on PSO-LSSVM . Chines e Cont rol an d Decis i o n  Confer enc e (CCDC), 20 11:  800- 803.   [11]  LA Sha l ab i, Z  Shaa ba n, B Kasasb eh.  Dat a  minin g : a pre p rocess ing  en gin e .  J Co mp u t  Sci.  2006; 2:   735- 739.   Evaluation Warning : The document was created with Spire.PDF for Python.