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

要約

サプライチェーン管理を最適化するには、正確な需要予測が不可欠です。
従来の手法では、季節変動や特別なイベントからの複雑なパターンを捉えることができないことがよくあります。
深層学習の進歩にもかかわらず、解釈可能な予測モデルは依然として課題です。
これに対処するために、畳み込みニューラル ネットワーク (CNN)、長期短期記憶ネットワーク (LSTM)、およびゲート付きリカレント ユニット (GRU) を統合して予測パフォーマンスを強化するハイブリッド アーキテクチャであるマルチチャネル データ フュージョン ネットワーク (MCDFN) を導入します。
時系列データから空間的および時間的特徴を抽出します。
当社の厳密なベンチマークでは、MCDFN が他の 7 つの深層学習モデルよりも優れたパフォーマンスを示し、MSE (23.5738%)、RMSE (4.8553%)、MAE (3.9991%)、MAPE (20.1575%) という優れた指標を達成していることが実証されています。
さらに、MCDFN の予測は統計的に実際の値と区別できず、p 値 5% の対応のある t 検定と 10 倍交差検証された統計的な対応のある t 検定によって確認されました。
ShapTime や Permutation Feature Importance などの説明可能な AI 技術を適用して、解釈可能性を高めます。
この研究は、需要予測手法を進歩させ、MCDFN をサプライ チェーン システムに統合するための実践的なガイドラインを提供し、スケーラビリティとユーザー フレンドリーな展開に関する将来の研究の方向性を強調しています。

要約(オリジナル)

Accurate demand forecasting is crucial for optimizing supply chain management. Traditional methods often fail to capture complex patterns from seasonal variability and special events. Despite advancements in deep learning, interpretable forecasting models remain a challenge. To address this, we introduce the Multi-Channel Data Fusion Network (MCDFN), a hybrid architecture that integrates Convolutional Neural Networks (CNN), Long Short-Term Memory networks (LSTM), and Gated Recurrent Units (GRU) to enhance predictive performance by extracting spatial and temporal features from time series data. Our rigorous benchmarking demonstrates that MCDFN outperforms seven other deep-learning models, achieving superior metrics: MSE (23.5738%), RMSE (4.8553%), MAE (3.9991%), and MAPE (20.1575%). Additionally, MCDFN’s predictions were statistically indistinguishable from actual values, confirmed by a paired t-test with a 5% p-value and a 10-fold cross-validated statistical paired t-test. We apply explainable AI techniques like ShapTime and Permutation Feature Importance to enhance interpretability. This research advances demand forecasting methodologies and offers practical guidelines for integrating MCDFN into supply chain systems, highlighting future research directions for scalability and user-friendly deployment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google