論文の概要: Enhancing Supply Chain Resilience: A Machine Learning Approach for Predicting Product Availability Dates Under Disruption

• arxiv url: http://arxiv.org/abs/2304.14902v1
• Date: Fri, 28 Apr 2023 15:22:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-01 13:52:52.821796
• Title: Enhancing Supply Chain Resilience: A Machine Learning Approach for Predicting Product Availability Dates Under Disruption
• Title（参考訳）: サプライチェーンのレジリエンス向上 - ディスラプション下のプロダクトアベイラビリティの予測のための機械学習アプローチ
• Authors: Mustafa Can Camur, Sandipp Krishnan Ravi, Shadi Saleh
• Abstract要約: 新型コロナウイルスのパンデミックや政治的・地域的な紛争が世界的なサプライチェーンに大きな打撃を与えている。 正確な可用性の予測は 物流運用を成功させる上で 重要な役割を担います 簡易回帰、ラッソ回帰、リッジ回帰、弾性ネット、ランダムフォレスト(RF)、グラディエントブースティングマシン(GBM)、ニューラルネットワークモデルなど、いくつかの回帰モデルを評価する。
• 参考スコア（独自算出の注目度）: 2.294014185517203
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The COVID 19 pandemic and ongoing political and regional conflicts have a highly detrimental impact on the global supply chain, causing significant delays in logistics operations and international shipments. One of the most pressing concerns is the uncertainty surrounding the availability dates of products, which is critical information for companies to generate effective logistics and shipment plans. Therefore, accurately predicting availability dates plays a pivotal role in executing successful logistics operations, ultimately minimizing total transportation and inventory costs. We investigate the prediction of product availability dates for General Electric (GE) Gas Power's inbound shipments for gas and steam turbine service and manufacturing operations, utilizing both numerical and categorical features. We evaluate several regression models, including Simple Regression, Lasso Regression, Ridge Regression, Elastic Net, Random Forest (RF), Gradient Boosting Machine (GBM), and Neural Network models. Based on real world data, our experiments demonstrate that the tree based algorithms (i.e., RF and GBM) provide the best generalization error and outperforms all other regression models tested. We anticipate that our prediction models will assist companies in managing supply chain disruptions and reducing supply chain risks on a broader scale.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックや、政治的・地域的な紛争が世界的なサプライチェーンに大きな打撃を与え、ロジスティクスの運用や国際的な出荷が大幅に遅れた。 最も差し迫った懸念の1つは製品の発売日に関する不確実性であり、これは企業が効果的なロジスティクスと出荷計画を作成するための重要な情報である。 したがって、可用性の正確な予測は、ロジスティクス運用の成功に重要な役割を果たし、最終的には輸送費と在庫コストを最小化する。 ゼネラル・エレクトリック(ge)ガス・パワーのガス・蒸気タービン事業および製造事業用インバウンド出荷日数予測について,数値的特徴とカテゴリー的特徴を活かして検討した。 本研究では,単純な回帰,ラッソ回帰,リッジ回帰,弾性ネット,ランダムフォレスト(rf),勾配ブースティングマシン(gbm),ニューラルネットワークモデルなどの回帰モデルを評価する。 実世界のデータに基づいて,木に基づくアルゴリズム(RFとGBM)が最高の一般化誤差を与え,テストした他の回帰モデルよりも優れていることを示す。 当社の予測モデルは、サプライチェーンの破壊を管理し、サプライチェーンのリスクを広範囲に低減する上で、企業を支援するものと期待しています。

関連論文リスト

• Enhancing Supply Chain Visibility with Knowledge Graphs and Large Language Models [49.898152180805454]
  本稿では,サプライチェーンの可視性を高めるために,知識グラフ(KG)と大規模言語モデル(LLM)を活用した新しいフレームワークを提案する。 我々のゼロショットLPM駆動アプローチは、様々な公共情報源からのサプライチェーン情報の抽出を自動化する。 NERとREタスクの精度が高く、複雑な多層供給ネットワークを理解する効果的なツールを提供する。
  論文  参考訳（メタデータ） (2024-08-05T17:11:29Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• GNN-based Probabilistic Supply and Inventory Predictions in Supply Chain Networks [0.5825410941577593]
  グラフベースのサプライ予測(GSP)確率モデルを提案する。 それは、グラフ構造化履歴データ、需要予測、および元の供給計画入力を用いて、供給、在庫、不均衡を予測する。 グローバル消費財企業の大規模サプライチェーンの履歴データを用いて行った実験は、GSPが供給と在庫予測の精度を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2024-04-11T07:36:00Z)
• Generative Probabilistic Planning for Optimizing Supply Chain Networks [0.0]
  本稿では,生成確率計画 (Generative Probabilistic Planning, IPP) と呼ばれる新しい生成AI技術を紹介する。 IPPは動的サプライアクションプランを生成し、時間的地平線上で全ネットワークノードにわたってグローバルに最適化される。 グローバルな消費財企業の履歴データを用いた実験により、IPPはサプライチェーンネットワークの客観的適応性、確率論的レジリエンス、動的プランニングを達成できることを示した。
  論文  参考訳（メタデータ） (2024-04-11T07:06:58Z)
• QAmplifyNet: Pushing the Boundaries of Supply Chain Backorder Prediction Using Interpretable Hybrid Quantum-Classical Neural Network [1.227497305546707]
  サプライチェーン管理は、在庫管理の最適化、コスト削減、顧客満足度向上のための正確な後方予測に依存している。 本研究は,サプライチェーンの後方予測のための新しい方法論的枠組みを導入し,大規模データセットを扱う上での課題に対処する。 提案モデルであるQAmplifyNetは、量子古典的ニューラルネットワーク内で量子インスパイアされた技術を用いて、短いデータセットと不均衡なデータセット上で、効率よくバックオーダーを予測する。
  論文  参考訳（メタデータ） (2023-07-24T15:59:36Z)
• A Generative Approach for Production-Aware Industrial Network Traffic Modeling [70.46446906513677]
  ドイツにあるTrumpf工場に配備されたレーザー切断機から発生するネットワークトラフィックデータについて検討した。 我々は、トラフィック統計を分析し、マシンの内部状態間の依存関係をキャプチャし、ネットワークトラフィックを生産状態依存プロセスとしてモデル化する。 可変オートエンコーダ(VAE)、条件付き可変オートエンコーダ(CVAE)、生成逆ネットワーク(GAN)など、様々な生成モデルの性能の比較を行った。
  論文  参考訳（メタデータ） (2022-11-11T09:46:58Z)
• A Simulation Environment and Reinforcement Learning Method for Waste Reduction [50.545552995521774]
  本稿では, 流通の観点から, 食料品店の在庫を消耗品で補充する際の問題点を考察する。 目的は、ごみを最小化しながら販売を最大化することであり、衣料品の実際の消費について不確実性がある。 我々は, エージェントの行動に合わせた行動を示す新しい強化学習タスクとして, 在庫再備の枠組みを定めている。
  論文  参考訳（メタデータ） (2022-05-30T22:48:57Z)
• Data Considerations in Graph Representation Learning for Supply Chain Networks [64.72135325074963]
  本稿では,隠れた依存関係リンクを明らかにするためのグラフ表現学習手法を提案する。 本稿では,グローバルな自動車サプライチェーンネットワークのリンク予測における最先端の性能向上を実証する。
  論文  参考訳（メタデータ） (2021-07-22T12:28:15Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• The challenges and realities of retailing in a COVID-19 world: Identifying trending and Vital During Crisis keywords during Covid-19 using Machine Learning (Austria as a case study) [0.0]
  将来予測の監査は季節性を重視しているため、トレンドベースのベンチマークに対する予測を選択することが推奨されている。 予測モデルは、サプライチェーン全体のエンドツーエンドのリアルタイム監視を提供する。
  論文  参考訳（メタデータ） (2021-05-10T18:31:45Z)
• Implementing Reinforcement Learning Algorithms in Retail Supply Chains with OpenAI Gym Toolkit [0.0]
  予期せぬ環境に対応するシステムのトレーニング能力を備えた強化学習(rl)が小売サプライチェーン管理(scm)に採用されている。 本稿では,プライチェーン予測におけるRLの適用について検討し,OpenAI Gymツールキットを用いて適切なRLモデルとアルゴリズムを構築する方法について述べる。
  論文  参考訳（メタデータ） (2021-04-27T03:35:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。