基于深度Black-Litterman模型的时间序列供应商分配

时间序列供应商分配（TSSA）是一个复杂的NP难问题，旨在优化未来的订单调度策略，以完全满足订单需求并实现最大供应效率。Black-Litterman（BL）模型最初源于金融投资组合管理，通过平衡预期收益与供应不足风险，为TSSA场景提供了一个新的视角。然而，其在TSSA中的应用受到依赖人工构建的视角矩阵和时空市场动态的限制，加之缺乏监督信号以及供应商信息固有的数据不可靠性。为了解决这些局限性，我们引入了开创性的深度Black-Litterman模型（DBLM），该模型创新性地将BL模型从金融领域适应到供应链环境。DBLM利用时空图神经网络（STGNNS），通过整合时空依赖性，自动生成TSSA的未来视角矩阵。此外，一种新颖的斯皮尔曼秩相关以独特的方式监督我们的方法，以解决缺乏监督信号的问题，专门设计用于应对供应商风险和交互的复杂性。一个旨在抵消不可靠数据偏差的掩码机制进一步增强了这一点，从而提高了模型的精度和可靠性。在两个数据集上的广泛实验明确证明了DBLM在TSSA中的增强性能，为该领域设定了新标准。我们的发现和方法可供社区访问和进一步开发。