增强供应链韧性：一种用于中断下产品可用日期预测的机器学习方法
机器学习
2023-05-01 v1
摘要
COVID-19 疫情及持续的政治与地区冲突对全球供应链造成高度有害影响，导致物流运营与国际货运严重延误。最紧迫的问题之一是产品可用日期的不确定性，这是企业制定有效物流与货运计划的关键信息。因此，准确预测可用日期对成功执行物流运营、最终最小化总运输与库存成本起着关键作用。我们利用数值与类别特征，研究通用电气（GE）燃气发电 inbound 货运（用于燃气与蒸汽轮机服务及制造运营）的产品可用日期预测。我们评估了若干回归模型，包括简单回归、Lasso 回归、Ridge 回归、弹性网络、随机森林（RF）、梯度提升机（GBM）与神经网络模型。基于真实世界数据，实验表明基于树的算法（即 RF 与 GBM）泛化误差最小，优于所有其他被测回归模型。我们期望所提预测模型能在更广范围内协助企业应对供应链中断并降低供应链风险。
引用
@article{arxiv.2304.14902,
title = {Enhancing Supply Chain Resilience: A Machine Learning Approach for Predicting Product Availability Dates Under Disruption},
author = {Mustafa Can Camur and Sandipp Krishnan Ravi and Shadi Saleh},
journal= {arXiv preprint arXiv:2304.14902},
year = {2023}
}