GNN-based Probabilistic Supply and Inventory Predictions in Supply Chain Networks

成功的供应链优化必须在时间上减轻供需之间的不平衡。准确的需求预测对于供应计划至关重要，但仅凭它是不够的。成功的供应计划的关键是在执行期内最大化需求和供应的可预测性。因此，提高供应预测的准确性是必要的，以创建一个可实现的供应计划，以满足需求，避免过度库存或库存不足。然而，在具有众多节点和边的复杂供应链网络中，由于动态节点交互、级联供应延迟、资源可用性、生产和物流能力等原因，准确的供应预测具有挑战性。因此，供应执行通常会偏离其最初的计划。为了解决这个问题，我们提出了基于图形的供应预测（GSP）概率模型。我们的注意力机制图神经网络（GNN）模型使用图形结构的历史数据、需求预测和原始供应计划输入来预测供应、库存和不平衡。使用全球消费品公司大规模供应链的历史数据进行的实验表明，GSP显著提高了供应和库存预测的准确性，可能提供供应计划修正以优化执行。

如何通过提高供应预测的准确性来优化供应链规划和执行？

使用基于图的供应预测（GSP）概率模型，结合历史数据、需求预测和原始供应计划输入，使用注意力机制的图神经网络（GNN）模型来预测供应、库存和不平衡情况，从而优化供应链规划和执行。

论文使用历史数据进行实验，证明GSP显著提高了供应和库存预测的准确性，为优化执行提供了供应计划修正的可能性。

最近的相关研究包括基于机器学习的供应链预测方法和使用神经网络的供应链优化方法，例如《Machine learning for supply chain forecasting: A review》和《A neural network approach for supply chain optimization》。