MCDFN: Supply Chain Demand Forecasting via an Explainable Multi-Channel Data Fusion Network Model Integrating CNN, LSTM, and GRU

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的复杂模式。尽管深度学习有所进展，但可解释的预测模型仍然是一个挑战。为了解决这个问题，我们介绍了多通道数据融合网络（MCDFN），这是一种混合架构，它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。我们进行了严格的基准测试，证明了MCDFN优于其他七个深度学习模型，实现了更优秀的指标：MSE（23.5738％）、RMSE（4.8553％）、MAE（3.9991％）和MAPE（20.1575％）。此外，MCDFN的预测值与实际值在统计上没有区别，这得到了带有5％p值的成对t检验和10倍交叉验证的统计成对t检验的确认。我们应用可解释的AI技术，如ShapTime和排列特征重要性，来增强解释性。这项研究推进了需求预测方法，并提供了将MCDFN集成到供应链系统中的实用指南，突出了未来研究的方向，如可扩展性和用户友好的部署。

本论文旨在解决需求预测中传统方法无法捕捉季节性变化和特殊事件的复杂模式，以及解释性预测模型的缺乏问题。

论文提出了一种多通道数据融合网络（MCDFN）的混合架构，将卷积神经网络（CNN）、长短期记忆网络（LSTM）和门控循环单元（GRU）集成在一起，从时间序列数据中提取空间和时间特征，以提高预测性能。

论文通过严格的基准测试表明，MCDFN优于其他七种深度学习模型，实现了更好的指标：MSE（23.5738％），RMSE（4.8553％），MAE（3.9991％）和MAPE（20.1575％）。此外，通过5％ p值的配对t检验和10倍交叉验证的统计配对t检验，MCDFN的预测与实际值无显着差异。论文还使用ShapTime和排列特征重要性等可解释性人工智能技术来提高可解释性。

近期在这个领域中，还有一些相关的研究，例如：《A Deep Learning Framework for Demand Forecasting in E-commerce》、《Demand forecasting using Long Short-Term Memory Recurrent Neural Network for Indian retail industry》等。