面向供应链多目标物流管理的混合 GraphSAGE 深度网络
机器学习
2025-11-18 v1 计算机视觉与模式识别
摘要
系统化的物流、运输便利设施以及仓储信息在推动供应链盈利发展中发挥着关键作用。产业转型的目标是提高供应链的韧性。韧性政策对于影响公司与物流服务提供商之间的协作具有积极作用。高效管理物流和运输在减排空气污染物方面具有持久优势。货物类型管理是分析物流和供应链可持续性的重要因素。因此，针对货物类型、物流延误和交通状况的自动化预测方法，对于提高供应链管理的效率至关重要。本文提出了一种用于供应链物流管理的混合 GraphSAGE 网络（H-GSN），用于多任务目的。文章中关于货物类型、货物状态、交通状况、物流 ID 和物流延误的目标包括 DataCo、Shipping 和 Smart Logistcis 三个数据库，这三个数据库均可在 Kaggle 上作为供应链物流数据库获得。对于 Smart Logistics 数据集中的 10 种物流 ID 和 3 种交通状况预测，分别获得了 97.8% 和 100% 的平均准确率。在 DataCo 和 Shipping 数据库中，分别获得了 98.7% 和 99.4% 的平均准确率，用于货物类型预测和物流延误预测。不同物流情景的评估指标确认了所提出方法提高供应链韧性和可持续性的效率。
引用
@article{arxiv.2511.11753,
title = {Improving a Hybrid Graphsage Deep Network for Automatic Multi-objective Logistics Management in Supply Chain},
author = {Mehdi Khaleghi and Nastaran Khaleghi and Sobhan Sheykhivand and Sebelan Danishvar},
journal= {arXiv preprint arXiv:2511.11753},
year = {2025}
}