需要予測とサプライチェーン最適化のためのハイブリッド深層学習アプローチ

Abstract

需要が変動し供給が不確実な繊維や個人用防護具（PPE）などの産業では、サプライチェーンのレジリエンスと効率性が極めて重要である。従来の予測および最適化アプローチはしばしば単独で動作するため、現実の場における有効性が制限される。本論文では、需要—供給の予測と最適化のためのハイブリッドAIフレームワーク（HAF-DS）を提案する。これは、Long Short-Term Memory（LSTM）ベースの需要予測モジュールと、混合整数線形計画法（MILP）による最適化レイヤを統合するものである。LSTMは需要の時間的依存関係および文脈的依存関係を捉え、最適化レイヤはコスト効率の高い補充と配分の意思決定を規定する。提案フレームワークは、埋め込みベースの特徴表現と再帰型ニューラルアーキテクチャにより、予測誤差と運用コストを共同で最小化する。繊維の販売データおよびサプライチェーンのデータセットに対する実験では、統計的手法および深層学習のベースラインに比べて顕著な性能向上が見られた。結合データセットにおいて、HAF-DSは平均絶対誤差（MAE）を15.04から12.83（14.7%）へ、二乗平均平方根誤差（RMSE）を19.53から17.11（12.4%）へ、平均絶対パーセント誤差（MAPE）を9.5%から8.1%へと低減した。さらに、在庫コストは5.4%減少し、欠品は27.5%減少し、サービスレベルは95.5%から97.8%へ向上した。これらの結果は、予測的なフォーキャスティングと処方的最適化を結合することで、精度と効率の両方が改善されることを確認しており、現代の繊維およびPPEサプライチェーンに対してスケーラブルで適応可能な解決策を提供する。