应用于 SupplyGraph 的图神经网络方法探讨供应链网络

供应链网络描述了产品、制造设施和储存设施之间的相互作用，基于产品的供需关系。供应链数据本质上具有图结构，因此是图神经网络（GNN）应用的肥沃土壤。最近，供应链数据集 SupplyGraph 已向公众发布。尽管 SupplyGraph 数据集因公开数据稀缺而具价值，但对该数据集的描述、数据质量保证过程以及所选模型的超参数仍缺乏清晰度。此外，为增强发现的可推广性，更有说服力的做法是对误差分布进行统计分析，而不仅仅是显示平均误差值。因此，本研究对 SupplyGraph 数据集进行评估，提供了更清晰的分析过程、数据质量保证、机器学习（ML）模型规格。经过数据质量保证程序后，本研究在尽可能匹配的超参数下，对多层感知器（MLP）、图卷积网络（GCN）和图注意力网络（GAT）在挑战性预测任务上的性能进行比较。分析结果显示，GAT 次之，GCN 其次，MLP 最后。这些性能改进在 $\alpha = 0.05$ 的显著性水平下经过多重比较校正后仍显著。本研究还讨论了在供应链网络中应用 GNN 的若干考虑因素。本研究强化了前一研究在供应链基准数据集描述和方法论方面的工作，从而使未来在供应链网络中应用 GNN 的研究更具可重复性。