ディープラーニングと整数線形計画法の橋渡し：サプライチェーン分析のための予測から処方（最適化）へつなぐフレームワーク

要旨: 需要予測はサプライチェーン計画の重要な構成要素であるにもかかわらず、実際の小売データには、相互に矛盾しうる季節性、不規則な急騰（スパイク）、およびノイズが見られることがあり、精密な予測がほぼ不可能となる。本論文では、予測と業務（運用）分析を組み合わせた3段階の分析フレームワークを提案する。第一段階では、探索的データ解析を行い、追跡された配送データ（180,519件の取引）を分割し、長期トレンド、季節性、および配送に関連する属性を調べる。第二に、統計的時系列分解モデル N-BEATS MSTL と、近年の深層学習アーキテクチャ N-HiTS の予測性能を比較する。N-BEATS と N-HiTS はともに統計的に選定され、その結果、N-BEATS と N-HiTS がそれぞれ（統計的に）採用された。最新の時系列深層学習モデルである N-HiTS、N-BEATS、そして N-HiTS と N-BEATS は、統計的ベンチマークを大きく上回った。N-BEATS は、第3かつ最終段階である、次の4週間（1918ユニット）の予測値において予測誤差が最も低いモデルとして、最適化度の最も高いモデルとして選定された。そして、これを、総配送時間を最小化することを目的とし、さらに予算・能力・サービスに関する制約の上限を伴う決定論的な整数線形計画（ILP）の一連の解（アウトカム）を生成するモデルとして提示した。解（割当）は、実行可能でコスト最適な出荷計画を提供した。全体として、本研究は、物流における精密な予測と、単純で高い解釈可能性を備えたモデル最適化が、実務に与える影響を説得力ある形で示す具体例を提供している。