桥接深度学习与整数线性规划：供应链分析的预测至决策框架
机器学习
2026-04-03 v1
摘要
虽然需求预测是供应链规划的关键组成部分，但实际零售数据常呈现出不可调和的季节性、不规则尖峰和噪声，使得精确预测几乎不可能。本文提出了一个三阶段的分析框架，将预测与运营分析相结合。第一阶段包括探索性数据分析，将180,519笔交易数据进行分区，审查长期趋势、季节性和与交付相关的属性。其次，对比了统计时间序列分解模型N-BEATS MSTL和最新的深度学习架构N-HiTS的预测性能。N-BEATS和N-HiTS在统计上均通过，故作统计性选择。大多数最新的时间序列深度学习模型，N-HiTS和N-BEATS。N-HiTS和N-BEATS N-HiTS和N-HiTS均显著优于统计基准。选取N-BEATS作为最优化模型，因其在第3阶段具有最低的预测误差，对未来4周的1918个单位进行预测，并以其为输入，构建一个旨在最小化总交付时间、受预算、容量和服务约束限制的确定性整数线性规划模型。所得的解决方案分配提供了一条可行且成本最优的物流方案。总体而言，本研究为精确预测和简单且高度可解释模型优化在物流中的实际影响提供了引人注目的示例。
引用
@article{arxiv.2604.01775,
title = {Bridging Deep Learning and Integer Linear Programming: A Predictive-to-Prescriptive Framework for Supply Chain Analytics},
author = {Khai Banh Nghiep and Duc Nguyen Minh and Lan Hoang Thi},
journal= {arXiv preprint arXiv:2604.01775},
year = {2026}
}
备注
12 pages, 4 figures, 4 tables