利用自动化机器学习增强供应链安全
机器学习
2025-07-24 v3 综合经济学
最优化与控制
经济学
摘要
全球供应链日益增长的规模和复杂性带来了跨越多个领域的新挑战，例如因港口排队过长导致的供应链中断、材料短缺和通货膨胀。结合供应链的规模以及大量数据的可用性，应对这些挑战的努力促使人们对在供应链的许多方面应用机器学习方法越来越感兴趣。与其他解决方案不同，机器学习技术，包括随机森林、XGBoost、LightGBM和神经网络，能够更快地进行预测并逼近最优解。本文提出了一个自动化机器学习框架，通过检测欺诈活动、预测维护需求和预测材料延期交货来增强供应链安全。使用不同规模的数据集，结果表明，欺诈检测使用采样方法达到了88%的准确率，机器故障预测达到了93.4%的准确率，材料延期交货预测达到了89.3%的准确率。超参数调优显著提升了这些模型的性能，某些监督学习技术（如XGBoost和LightGBM）的精确度达到了100%。本研究通过简化数据预处理、特征选择、模型优化和推理部署，应对关键挑战并提升运营效率，从而为供应链安全做出了贡献。
引用
@article{arxiv.2406.13166,
title = {Enhancing supply chain security with automated machine learning},
author = {Haibo Wang and Lutfu S. Sua and Bahram Alidaee},
journal= {arXiv preprint arXiv:2406.13166},
year = {2025}
}
备注
36 pages