MCDFN：通过可解释的多通道数据融合网络模型进行供应链需求预测
机器学习
2025-03-04 v5 人工智能
摘要
准确的需求预测对于优化供应链管理至关重要。传统方法通常无法捕捉季节性变化和特殊事件带来的复杂模式。尽管深度学习取得了进展，可解释的预测模型仍然是一个挑战。为了解决这个问题，我们引入了多通道数据融合网络（MCDFN），这是一种混合架构，集成了卷积神经网络（CNN）、长短期记忆网络（LSTM）和门控循环单元（GRU），通过从时间序列数据中提取空间和时间特征来增强预测性能。我们的比较基准测试表明，MCDFN优于其他七种深度学习模型，实现了优越的指标：MSE（23.5738）、RMSE（4.8553）、MAE（3.9991）和MAPE（20.1575%）。MCDFN的Theil U统计量为0.1181（U<1），表明其优于朴素预测方法，并且10折交叉验证统计配对t检验的p值为5%，表明MCDFN的预测与实际值之间没有显著差异。我们应用可解释AI技术（如ShapTime和置换特征重要性）来增强可解释性。这项研究推进了需求预测方法，并为将MCDFN集成到供应链系统中提供了实用指南，突出了可扩展性和用户友好部署的未来研究方向。
引用
@article{arxiv.2405.15598,
title = {MCDFN: Supply Chain Demand Forecasting via an Explainable Multi-Channel Data Fusion Network Model},
author = {Md Abrar Jahin and Asef Shahriar and Md Al Amin},
journal= {arXiv preprint arXiv:2405.15598},
year = {2025}
}