Browse > Article
http://dx.doi.org/10.5859/KAIS.2022.31.3.197

A Study on the Demand Prediction Model for Repair Parts of Automotive After-sales Service Center Using LSTM Artificial Neural Network  

Jung, Dong Kun (부경대학교 경영컨설팅협동과정)
Park, Young Sik (동명대학교 경영대학 항공서비스학과)
Publication Information
The Journal of Information Systems / v.31, no.3, 2022 , pp. 197-220 More about this Journal
Abstract
Purpose The purpose of this study is to identifies the demand pattern categorization of repair parts of Automotive After-sales Service(A/S) and proposes a demand prediction model for Auto repair parts using Long Short-Term Memory (LSTM) of artificial neural networks (ANN). The optimal parts inventory quantity prediction model is implemented by applying daily, weekly, and monthly the parts demand data to the LSTM model for the Lumpy demand which is irregularly in a specific period among repair parts of the Automotive A/S service. Design/methodology/approach This study classified the four demand pattern categorization with 2 years demand time-series data of repair parts according to the Average demand interval(ADI) and coefficient of variation (CV2) of demand size. Of the 16,295 parts in the A/S service shop studied, 96.5% had a Lumpy demand pattern that large quantities occurred at a specific period. lumpy demand pattern's repair parts in the last three years is predicted by applying them to the LSTM for daily, weekly, and monthly time-series data. as the model prediction performance evaluation index, MAPE, RMSE, and RMSLE that can measure the error between the predicted value and the actual value were used. Findings As a result of this study, Daily time-series data were excellently predicted as indicators with the lowest MAPE, RMSE, and RMSLE values, followed by Weekly and Monthly time-series data. This is due to the decrease in training data for Weekly and Monthly. even if the demand period is extended to get the training data, the prediction performance is still low due to the discontinuation of current vehicle models and the use of alternative parts that they are contributed to no more demand. Therefore, sufficient training data is important, but the selection of the prediction demand period is also a critical factor.
Keywords
ANN; LSTM; Time-series data; Repair parts demand; ADI; $CV^2$; Lumpy pattern;
Citations & Related Records
Times Cited By KSCI : 2  (Citation Analysis)
연도 인용수 순위
1 김영석, "SERVQUAL 모형을 이용한 수입자동차 정비서비스 품질평가에 관한 연구(메르세데스-벤츠 성산 서비스센터의 사례를 중심으로), 서울시립대학교 경영대학원 석사 학위 논문, 2007.
2 Chung, J., Gulcehre, C., Cho, K., and Bengio, Y., "Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling", arXiv preprint arXiv:1412.3555, 2014.
3 Gers, F.A., Schmidhuber, J. and Cummins, F., "Learning to Forget Continual Prediction with LSTM", Neural Computation, Vol. 12, 2000, pp. 2451-2471.   DOI
4 Harrou, F., Cheng, T., Sun, Y., Leiknes, T., and Ghaffour, N., "A Data-driven Soft Sensor to Forecast Energy Consumption in Wastewater Treatment Plants: A Case Study", IEEE Sensors Journal, Vol. 21, No. 4, 2021, pp. 4908-4917.
5 Hill, T., O'Conner, M., and Remus, W, "Artificial Neural Network Models for Times Forecasts", Management Science, Vol. 42(7), 1996 pp. 1082-1092.   DOI
6 Khan, S., Ali Khan, M., Zafar, A., Javed, M. F., Aslam, F., Musarat, M. A., and Vatin, N. I., "Predicting the Ultimate Axial Capacity of Uniaxially Loaded CFST Columns Using Multiphysics Artificial Intelligence", Materials, Vol. 15, No. 1, 2021, pp. 1-39.   DOI
7 Olah, C, "Understanding LSTM Network-Colah's Blog", https://colah.github.io/posts/2015-08-Understanding-LSTMs/, 2015.
8 국토교통 통계누리, https://stat.molit.go.kr/,2021
9 e-나라지표, https://www.index.go.kr/,2021
10 강민경, 김도현, 오수진, "자동차 A/S용 부품 수요 예측 모형 개발", 대한산업공학회 추계학술대회논문집, 2104, pp. 255-271.
11 김영균, 김민구, "단순 RNN과 RNN/LSTM을 이용한 주택시장 매매가 예측 비교 연구", 한국정보과학회 학술발표논문집, 2018, pp. 2154-2156.
12 김종배, 김유선, 박민영, "우리나라 기업들의 수요예측 실태에 관한 연구 -2011년과 2020년 설문조사 비교.분석-", 한국유통물류정책학회, 제8권 제4호, 2021, pp. 87-107.
13 이재성, "심층 신경망의 발전 과정과 이해", 한국통신학회, 제33권, 제10호, 2016, pp.40-48.
14 민소아, 정윤서, "서울시 공공자전거 수요예측모형 비교 연구", 한국데이터정보과학회, 제32권 제3호, 2021, pp. 585-592.
15 박종오, 박인선, 양창수, "자동차 정비서비스의 품질이 고객만족과 고객충성도에 미치는 영향", 한국서비스 경영학회, 제11권 제5호, 2010, pp. 176-198.
16 오재건, 신현승, "국내 자동차 A/S용 부품 유통문제와 대책 연구", 한국자동차공학회, 제2권, 2005, pp. 1,143-1,148.
17 정이상, 정대현, "자동차 정비산업의 CRM 지향을 위한 통합 데이터베이스 설계", 한국컴퓨터정보학회, 제23권, 제5호, 2018, pp. 55-63.   DOI
18 최성희, "한국의 자동차정비산업(1)", 한국 자동차 공학회 오토저널, 제27권 제1호, 2005, pp. 166-122.
19 오수진, 김민아, "2021 한국의 소비자시장평가지표", 한국소비자원, 2022.
20 Box, G. E., Jenkins, G. M., Reinsel, G. C., and Ljung, G. M., "Time Series Analysis: Forecasting and Control", John Wiley and Sons, 2015.
21 Hochreiter, S., Schmidhuber, J., "Long ShortTerm Memory", Neural Computation, Vol. 9, 1997, pp. 1735-1780.   DOI
22 Syntetos, A. A., Boylan, J. E., "On the Categorization of Demand Patterns", Journal of the Operational Research Society, Vol. 56, No. 3, 2005, pp. 495-503.   DOI
23 한국 자동차 산업협동조합, https://www.kaica.or.kr/, 2022
24 여주대학 산업기술연구소, "자동차 정비사업체의 경영분석과 표준작업시간 책정에 관한 연구", 2001.
25 Adekoya, A. F., Nti, I. K., and Weyori, B. A., "Long Short-Term Memory Network for Predicting Exchange Rate of the Ghanaian Cedi", FinTech, Vol 1, No. 1, 2021, pp. 25-43.   DOI
26 김형길, 오영희, "자동차 정비서비스의 고객만족에 관한 연구", 산경논집, 제11권, 2003, pp. 118-120.
27 박병준, 여기태, "시스템다이내믹스를 활용한 수입 자동차 소모품 출고예측에 관한 연구 - A 수입 자동차 부품 물류센터를 중심으로", 한국디지털정책학회, 제19권 제1호, 2021, pp. 67-75.
28 박소진, "자동차산업에서 고객만족과 충성도를 위한 통합 모델-자동차, 영업소, 서비스센터의 지각된 품질이 고객만족과 충성도에 미치는 영향", 한국유통물류정책학회, 제6권 제1호, 2019, pp. 19-36.
29 박진욱, 박상현, "인공신경망을 이용한 한국프로야구 관중 수요 예측에 관한 연구", 정보처리학회, 제6권 제12호, 2017, pp. 565-572.
30 송명구, 김경유, 안소현, "텍스트 분석을 통한 국내 자동차 산업구조 변화", KiET 산업연구원, 연구자료 2021-10.
31 오병훈, 김현철, "인공신경망을 이용한 수리부속 간헐적 수요예측", 한국정보처리학회, 제24권 제2호, 2017, pp. 824-826.
32 유병철, 박영태, "항공화물의 간헐적 수요예측에 대한 비교 모형 연구-Croston 모형과 Holts 모형을 중심으로", 한국항만경제학회지, 제37권, 제1호, 2021. pp. 71-85.
33 이현상, 오세훈, "시계열 예측을 위한 LSTM 기반 딥러닝: 기업 신용평점 예측 사례", 한국정보시스템학회, 제29권, 제1호, 2020, pp. 241-265
34 김수도, "우리나라 자동차 정비사업의 발전 방향에 관한 연구", 고려대학교 정책대학원 석사 학위 논문, 2011.
35 공동석, 곽영훈, 허정호, "도심지역 에너지계획을 위한 인공신경망 기반의 에너지수요 예측에 관한 연구", 대한건축학회, 제25권 제2회, 2010, pp. 221-230.
36 권익현, "부품 수명주기를 고려한 서비스 부품의 수요예측에 관한 연구", 대한안전경영과학회지, Vol 19, No 3, 2017, pp.97-107.   DOI
37 김기현, 이홍철, "자동차 재활용 부품 수요 예측방법론", 대한산업공학회 춘계공동학술대회, 논문집, 2014, pp. 31-38.
38 김종진, 김지연, "LSTM을 이용한 주가예측 모델의 학습방법에 따른 성능분석", 한국디지털정책학회, 제18권 제11호, 2020, pp. 259-266.
39 이영찬, 서창갑, "인공신경망을 이용한 항공기 기내식 수요예측의 예측력 개선 방안 연구", 한국정보시스템학회, 제10권, 제2호, 2001, pp. 151-164.
40 김재성, 양여진, 오민지, 이성웅, 권순동, 주완섭, "딥러닝 기법을 활용한 가구 부자재주문 수요예측", 한국빅데이터학회지, 제5권 제2호, 2020, pp. 111-120.
41 정성훈, 진창하, "머신러닝 방법을 이용한 오피스 임대료 산정 - 랜덤포레스트, 인공신경망, 서포트 벡터 머신 활용 중심으 로", 부동산학 연구, 제26집, 제2호. 2020, pp. 23-53.
42 신성호, 이미경, 송사광, "LSTM 네트워크를 활용한 농산물 가격 예측 모델", 한국컨텐츠학회, 제18권 제11호, 2018, pp. 416-429.
43 조영기, 이현수, "변형된 Attention 메커니즘 기반의 LSTM을 통한 전력수요 예측 프레임웍", 한국지능시스템학회, 제30권, 제3호, 2020, pp. 242-250.
44 주우진, 김현식, 송미령, "자동차 A/S 부품 유통 에서의 정보비대칭성에 관한 연구", 경영논집, 제38권, 제4호, 2004, pp. 99-123.
45 최정기, 최진영, "간헐적 수요를 갖는 철도 차량 유지 보수 부품을 위한 기계학습 기반 수요 예측 개선", 대한설비관리학회, 제26권, 제3호, 2021, pp. 17-25.
46 최희열, 민윤홍, "특집명 01:지능형 정보 시스템 ; 딥러닝 소개 및 주요 이슈", 한국정보처리학회, 제22권, 제1호, 2015, pp.7-15.
47 Gers, F.A., Schraudolph N.N. and Schmidhuber, J., "Learning Precise Timing with LSTM Recurrent Networks", Journal of Machine Learning Research, Vol. 3, 2002, pp. 115-143.
48 Abraham, A., "Artificial Neural Networks", Handbook of Measuring System Design, 2005.