基于异构时间序列的汽车供应链短缺预测
机器学习
2025-06-17 v3 机器学习
摘要
运营中断会显著影响公司绩效。福特全球拥有37座工厂，每年使用170亿件零部件制造600万辆汽车和卡车。在公司与原材料之间可达十个供应链层级，任何持续性中断都可能造成巨大的财务损失。因此，预测和提前识别此类中断的能力对于维持无缝运营至关重要。本研究演示了如何构建由众多多变量时间序列组成的数据集，用于预测一级供应链中断，利用与容量、库存、利用率和加工相关的特征，正如经典厂房物理学框架所述。该数据集因其规模庞大（超过五十万个时间序列）而技术上具有挑战性。此外，这些时间序列虽然在某些方面具有相似性，但也在特定子群中显示出异构性。为解决这些挑战，我们提出了一种新方法，将增强注意力序列到序列深度学习架构、用于建模群体效应的神经网络嵌入与存活分析模型相结合。该模型旨在学习与运营中断相关的复杂异构数据模式。我们的模型在福特五大北美工厂的质量保证阶段实现了0.85的精确率和0.8的召回率。此外，为了解决机器学习模型常被批评为黑箱的问题，我们展示了如何使用SHAP框架从模型预测中生成特征重要性。它提供了可行策略的宝贵见解，凸显了先进机器学习在汽车行业管理和缓解供应链风险方面的潜力。
引用
@article{arxiv.2407.16739,
title = {Forecasting Automotive Supply Chain Shortfalls with Heterogeneous Time Series},
author = {Bach Viet Do and Xingyu Li and Chaoye Pan},
journal= {arXiv preprint arXiv:2407.16739},
year = {2025}
}