耦合需求预测与供应链优化的混合深度学习方法
机器学习
2026-04-24 v1 人工智能
摘要
供应链韧性和效率在需求波动、供应不确定的行业（如纺织品和个人防护装备）中至关重要。传统的预测和优化方法往往孤立存在，限制了其实际效果。本文提出一种需求-供应预测与优化的混合AI框架（HAF-DS），将基于长短期记忆网络（LSTM）的需求预测模块与混合整数线性规划（MILP）优化层集成。LSTM捕获需求的时序和情境依赖性，而优化层则给出具有成本效益的补货和分配决策。该框架通过基于嵌入的特征表示和循环神经网络结构联合最小化预测误差和运营成本。在纺织品销售和供应链数据集上的实验显示，与统计方法和深度学习基线相比，HAF-DS实现了显著的性能提升。在组合数据集上，HAF-DS将平均绝对误差（MAE）从15.04降低到12.83（降低14.7%），根均方误差（RMSE）从19.53降低到17.11（降低12.4%），平均绝对百分比误差（MAPE）从9.5%降低到8.1%。库存成本下降5.4%，缺货率下降27.5%，服务水平从95.5%提升到97.8%。这些结果确认， 将预测性 forecasting 与处方式 optimization 结合可显著提升准确性和效率，为现代纺织品和PPE供应链提供了可扩展且可适应的解决方案。
引用
@article{arxiv.2604.21567,
title = {Hybrid Deep Learning Approach for Coupled Demand Forecasting and Supply Chain Optimization},
author = {Nusrat Yasmin Nadia and Md Habibul Arif and Habibor Rahman Rabby and Md Iftekhar Monzur Tanvir and Md. Jakir Hossen and M. F. Mridha},
journal= {arXiv preprint arXiv:2604.21567},
year = {2026}
}
备注
The paper is accepted in the Computers, Materials & Continua journal