You are here: Home → Proceedings
Document Actions

Citation and metadata

Back to the article.

Recommended citation

Vojdani N, Erichsen B (2019). Anwendung von Support Vector Regression zur vorausschauenden Identifikation von Störungswirkungen in der Produktionslogistik. Logistics Journal : Proceedings, Vol. 2019. (urn:nbn:de:0009-14-49790)

Download Citation

Endnote

%0 Journal Article
%T Anwendung von Support Vector Regression zur vorausschauenden Identifikation von Störungswirkungen in der Produktionslogistik
%A Vojdani, Nina
%A Erichsen, Björn
%J Logistics Journal : Proceedings
%D 2019
%V 2019
%N 12
%@ 2192-9084
%F vojdani2019
%X Die Liefertermintreue ist eine der wichtigsten logistischen Kennzahlen. Diese hängt insbesondere bei produzierenden Unternehmen in hohem Maße von der Einhaltung geplanter Fertigstellungstermine ab. Unerwartet auftretende Störungen verursachen signifikante Abweichungen von geplanten Prozessabläufen und beinträchtigen somit die Einhaltung der Fertigstellungstermine. Der Einsatz von Frühwarnsystemen im Rahmen von betrieblichen Störungsmanagement kann dazu beitragen, potentielle Störungswirkungen frühzeitig zu identifizieren, um somit den Handlungszeitraum für adäquate Reaktionen auf Störungen zu verlängern. In diesem Beitrag wird daher die Untersuchung der Support Vector Regression (SVR) bezüglich der Anwendbarkeit und Einsatzfähigkeit zur Identifikation von Störungswirkungen in der Produktionslogistik vorgestellt.
%L 620
%K Frühwarnung, Support Vector Regression, Störungswirkungen, Produktionslogistik
%K Keywords, 3-max.5 (E): predictive Monitoring, Support Vector Regression, disruptive effects, production logistics
%R 10.2195/lj_Proc_vojdani_de_201912_01
%U http://nbn-resolving.de/urn:nbn:de:0009-14-49790
%U http://dx.doi.org/10.2195/lj_Proc_vojdani_de_201912_01
Download

Bibtex

@Article{vojdani2019,
  author = 	"Vojdani, Nina
		and Erichsen, Bj{\"o}rn",
  title = 	"Anwendung von Support Vector Regression zur vorausschauenden Identifikation von St{\"o}rungswirkungen in der Produktionslogistik",
  journal = 	"Logistics Journal : Proceedings",
  year = 	"2019",
  volume = 	"2019",
  number = 	"12",
  keywords = 	"Fr{\"u}hwarnung, Support Vector Regression, St{\"o}rungswirkungen, Produktionslogistik; Keywords, 3-max.5 (E): predictive Monitoring, Support Vector Regression, disruptive effects, production logistics",
  abstract = 	"Die Liefertermintreue ist eine der wichtigsten logistischen Kennzahlen. Diese h{\"a}ngt insbesondere bei produzierenden Unternehmen in hohem Ma{\ss}e von der Einhaltung geplanter Fertigstellungstermine ab. Unerwartet auftretende St{\"o}rungen verursachen signifikante Abweichungen von geplanten Prozessabl{\"a}ufen und beintr{\"a}chtigen somit die Einhaltung der Fertigstellungstermine. Der Einsatz von Fr{\"u}hwarnsystemen im Rahmen von betrieblichen St{\"o}rungsmanagement kann dazu beitragen, potentielle St{\"o}rungswirkungen fr{\"u}hzeitig zu identifizieren, um somit den Handlungszeitraum f{\"u}r ad{\"a}quate Reaktionen auf St{\"o}rungen zu verl{\"a}ngern. In diesem Beitrag wird daher die Untersuchung der Support Vector Regression (SVR) bez{\"u}glich der Anwendbarkeit und Einsatzf{\"a}higkeit zur Identifikation von St{\"o}rungswirkungen in der Produktionslogistik vorgestellt.",
  issn = 	"2192-9084",
  doi = 	"10.2195/lj_Proc_vojdani_de_201912_01",
  url = 	"http://nbn-resolving.de/urn:nbn:de:0009-14-49790"
}
Download

RIS

TY  - JOUR
AU  - Vojdani, Nina
AU  - Erichsen, Björn
PY  - 2019
DA  - 2019//
TI  - Anwendung von Support Vector Regression zur vorausschauenden Identifikation von Störungswirkungen in der Produktionslogistik
JO  - Logistics Journal : Proceedings
VL  - 2019
IS  - 12
KW  - Frühwarnung, Support Vector Regression, Störungswirkungen, Produktionslogistik
KW  - Keywords, 3-max.5 (E): predictive Monitoring, Support Vector Regression, disruptive effects, production logistics
AB  - Die Liefertermintreue ist eine der wichtigsten logistischen Kennzahlen. Diese hängt insbesondere bei produzierenden Unternehmen in hohem Maße von der Einhaltung geplanter Fertigstellungstermine ab. Unerwartet auftretende Störungen verursachen signifikante Abweichungen von geplanten Prozessabläufen und beinträchtigen somit die Einhaltung der Fertigstellungstermine. Der Einsatz von Frühwarnsystemen im Rahmen von betrieblichen Störungsmanagement kann dazu beitragen, potentielle Störungswirkungen frühzeitig zu identifizieren, um somit den Handlungszeitraum für adäquate Reaktionen auf Störungen zu verlängern. In diesem Beitrag wird daher die Untersuchung der Support Vector Regression (SVR) bezüglich der Anwendbarkeit und Einsatzfähigkeit zur Identifikation von Störungswirkungen in der Produktionslogistik vorgestellt.
SN  - 2192-9084
UR  - http://nbn-resolving.de/urn:nbn:de:0009-14-49790
DO  - 10.2195/lj_Proc_vojdani_de_201912_01
ID  - vojdani2019
ER  -
Download

Wordbib

<?xml version="1.0" encoding="UTF-8"?>
<b:Sources SelectedStyle="" xmlns:b="http://schemas.openxmlformats.org/officeDocument/2006/bibliography"  xmlns="http://schemas.openxmlformats.org/officeDocument/2006/bibliography" >
<b:Source>
<b:Tag>vojdani2019</b:Tag>
<b:SourceType>ArticleInAPeriodical</b:SourceType>
<b:Year>2019</b:Year>
<b:PeriodicalTitle>Logistics Journal : Proceedings</b:PeriodicalTitle>
<b:Volume>2019</b:Volume>
<b:Issue>12</b:Issue>
<b:Url>http://nbn-resolving.de/urn:nbn:de:0009-14-49790</b:Url>
<b:Url>http://dx.doi.org/10.2195/lj_Proc_vojdani_de_201912_01</b:Url>
<b:Author>
<b:Author><b:NameList>
<b:Person><b:Last>Vojdani</b:Last><b:First>Nina</b:First></b:Person>
<b:Person><b:Last>Erichsen</b:Last><b:First>Björn</b:First></b:Person>
</b:NameList></b:Author>
</b:Author>
<b:Title>Anwendung von Support Vector Regression zur vorausschauenden Identifikation von Störungswirkungen in der Produktionslogistik</b:Title>
<b:Comments>Die Liefertermintreue ist eine der wichtigsten logistischen Kennzahlen. Diese hängt insbesondere bei produzierenden Unternehmen in hohem Maße von der Einhaltung geplanter Fertigstellungstermine ab. Unerwartet auftretende Störungen verursachen signifikante Abweichungen von geplanten Prozessabläufen und beinträchtigen somit die Einhaltung der Fertigstellungstermine. Der Einsatz von Frühwarnsystemen im Rahmen von betrieblichen Störungsmanagement kann dazu beitragen, potentielle Störungswirkungen frühzeitig zu identifizieren, um somit den Handlungszeitraum für adäquate Reaktionen auf Störungen zu verlängern. In diesem Beitrag wird daher die Untersuchung der Support Vector Regression (SVR) bezüglich der Anwendbarkeit und Einsatzfähigkeit zur Identifikation von Störungswirkungen in der Produktionslogistik vorgestellt.</b:Comments>
</b:Source>
</b:Sources>
Download

ISI

PT Journal
AU Vojdani, N
   Erichsen, B
TI Anwendung von Support Vector Regression zur vorausschauenden Identifikation von Störungswirkungen in der Produktionslogistik
SO Logistics Journal : Proceedings
PY 2019
VL 2019
IS 12
DI 10.2195/lj_Proc_vojdani_de_201912_01
DE Frühwarnung, Support Vector Regression, Störungswirkungen, Produktionslogistik; Keywords, 3-max.5 (E): predictive Monitoring, Support Vector Regression, disruptive effects, production logistics
AB Die Liefertermintreue ist eine der wichtigsten logistischen Kennzahlen. Diese hängt insbesondere bei produzierenden Unternehmen in hohem Maße von der Einhaltung geplanter Fertigstellungstermine ab. Unerwartet auftretende Störungen verursachen signifikante Abweichungen von geplanten Prozessabläufen und beinträchtigen somit die Einhaltung der Fertigstellungstermine. Der Einsatz von Frühwarnsystemen im Rahmen von betrieblichen Störungsmanagement kann dazu beitragen, potentielle Störungswirkungen frühzeitig zu identifizieren, um somit den Handlungszeitraum für adäquate Reaktionen auf Störungen zu verlängern. In diesem Beitrag wird daher die Untersuchung der Support Vector Regression (SVR) bezüglich der Anwendbarkeit und Einsatzfähigkeit zur Identifikation von Störungswirkungen in der Produktionslogistik vorgestellt.
ER
Download

Mods

<mods>
  <titleInfo>
    <title>Anwendung von Support Vector Regression zur vorausschauenden Identifikation von Störungswirkungen in der Produktionslogistik</title>
  </titleInfo>
  <name type="personal">
    <namePart type="family">Vojdani</namePart>
    <namePart type="given">Nina</namePart>
  </name>
  <name type="personal">
    <namePart type="family">Erichsen</namePart>
    <namePart type="given">Björn</namePart>
  </name>
  <abstract>Die Liefertermintreue ist eine der wichtigsten logistischen Kennzahlen. Diese hängt insbesondere bei produzierenden Unternehmen in hohem Maße von der Einhaltung geplanter Fertigstellungstermine ab. Unerwartet auftretende Störungen verursachen signifikante Abweichungen von geplanten Prozessabläufen und beinträchtigen somit die Einhaltung der Fertigstellungstermine. Der Einsatz von Frühwarnsystemen im Rahmen von betrieblichen Störungsmanagement kann dazu beitragen, potentielle Störungswirkungen frühzeitig zu identifizieren, um somit den Handlungszeitraum für adäquate Reaktionen auf Störungen zu verlängern. In diesem Beitrag wird daher die Untersuchung der Support Vector Regression (SVR) bezüglich der Anwendbarkeit und Einsatzfähigkeit zur Identifikation von Störungswirkungen in der Produktionslogistik vorgestellt.</abstract>
  <subject>
    <topic>Frühwarnung, Support Vector Regression, Störungswirkungen, Produktionslogistik</topic>
    <topic>Keywords, 3-max.5 (E): predictive Monitoring, Support Vector Regression, disruptive effects, production logistics</topic>
  </subject>
  <classification authority="ddc">620</classification>
  <relatedItem type="host">
    <genre authority="marcgt">periodical</genre>
    <genre>academic journal</genre>
    <titleInfo>
      <title>Logistics Journal : Proceedings</title>
    </titleInfo>
    <part>
      <detail type="volume">
        <number>2019</number>
      </detail>
      <detail type="issue">
        <number>12</number>
      </detail>
      <date>2019</date>
    </part>
  </relatedItem>
  <identifier type="issn">2192-9084</identifier>
  <identifier type="urn">urn:nbn:de:0009-14-49790</identifier>
  <identifier type="doi">10.2195/lj_Proc_vojdani_de_201912_01</identifier>
  <identifier type="uri">http://nbn-resolving.de/urn:nbn:de:0009-14-49790</identifier>
  <identifier type="citekey">vojdani2019</identifier>
</mods>
Download

Full Metadata

Bibliographic Citation Logistics Journal : referierte Veröffentlichungen, Vol. 2019, Iss. 12
Title

Anwendung von Support Vector Regression zur vorausschauenden Identifikation von Störungswirkungen in der Produktionslogistik (ger)
Author Nina Vojdani, Björn Erichsen
Language ger
Abstract Die Liefertermintreue ist eine der wichtigsten logistischen Kennzahlen. Diese hängt insbesondere bei produzierenden Unternehmen in hohem Maße von der Einhaltung geplanter Fertigstellungstermine ab. Unerwartet auftretende Störungen verursachen signifikante Abweichungen von geplanten Prozessabläufen und beinträchtigen somit die Einhaltung der Fertigstellungstermine. Der Einsatz von Frühwarnsystemen im Rahmen von betrieblichen Störungsmanagement kann dazu beitragen, potentielle Störungswirkungen frühzeitig zu identifizieren, um somit den Handlungszeitraum für adäquate Reaktionen auf Störungen zu verlängern. In diesem Beitrag wird daher die Untersuchung der Support Vector Regression (SVR) bezüglich der Anwendbarkeit und Einsatzfähigkeit zur Identifikation von Störungswirkungen in der Produktionslogistik vorgestellt. On time delivery performance is one of the most important logistic indicators. In particular, for producing companies the on-time delivery performance depends to a high degree on the fulfillment of planned completion dates. Unexpected disruptions cause significant deviations from planned processes and thus impair the compliance with the completion dates. The use of early warning systems in the context of operational disruption management can help to identify potential disruptive effects at an early stage in order to extend the action period for adequate reactions to disruptions. Therefore, in this paper the study of support vector regression (SVR) with regard to applicability and operational capability for the identification of disruptive effects in production logistics is presented.
Subject Frühwarnung, Support Vector Regression, Störungswirkungen, Produktionslogistik, Keywords, 3-max.5 (E): predictive Monitoring, Support Vector Regression, disruptive effects, production logistics
DDC 620
Rights fDPPL
URN: urn:nbn:de:0009-14-49790
DOI https://doi.org/10.2195/lj_Proc_vojdani_de_201912_01