論文の概要: Forecasting Automotive Supply Chain Disruption with Heterogeneous Time Series

• arxiv url: http://arxiv.org/abs/2407.16739v1
• Date: Tue, 23 Jul 2024 17:28:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-25 15:54:04.434834
• Title: Forecasting Automotive Supply Chain Disruption with Heterogeneous Time Series
• Title（参考訳）: 不均一時系列による自動車のサプライチェーン破壊予測
• Authors: Bach Viet Do, Xingyu Li, Chaoye Pan, Oleg Gusikhin,
• Abstract要約: フォードは世界の37の工場で年間17億の部品を使って600万台の車やトラックを製造している。 このような混乱を早期に予測し、特定する能力は、シームレスな操作を維持するために不可欠である。
• 参考スコア（独自算出の注目度）: 8.178412576317623
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Operational disruptions can significantly impact companies performance. Ford, with its 37 plants globally, uses 17 billion parts annually to manufacture six million cars and trucks. With up to ten tiers of suppliers between the company and raw materials, any extended disruption in this supply chain can cause substantial financial losses. Therefore, the ability to forecast and identify such disruptions early is crucial for maintaining seamless operations. In this study, we demonstrate how we construct a dataset consisting of many multivariate time series to forecast first-tier supply chain disruptions, utilizing features related to capacity, inventory, utilization, and processing, as outlined in the classical Factory Physics framework. This dataset is technically challenging due to its vast scale of over five hundred thousand time series. Furthermore, these time series, while exhibiting certain similarities, also display heterogeneity within specific subgroups. To address these challenges, we propose a novel methodology that integrates an enhanced Attention Sequence to Sequence Deep Learning architecture, using Neural Network Embeddings to model group effects, with a Survival Analysis model. This model is designed to learn intricate heterogeneous data patterns related to operational disruptions. Our model has demonstrated a strong performance, achieving 0.85 precision and 0.8 recall during the Quality Assurance (QA) phase across Ford's five North American plants. Additionally, to address the common criticism of Machine Learning models as black boxes, we show how the SHAP framework can be used to generate feature importance from the model predictions. It offers valuable insights that can lead to actionable strategies and highlights the potential of advanced machine learning for managing and mitigating supply chain risks in the automotive industry.
• Abstract（参考訳）: 運用上の混乱は企業のパフォーマンスに大きな影響を及ぼす可能性がある。 フォードは世界の37の工場で年間17億の部品を使って600万台の車やトラックを製造している。 最大10層までのサプライヤーと原材料が混在しているため、このサプライチェーンの混乱が拡大すれば、実質的な損失が生じる可能性がある。 したがって、このような混乱を早期に予測し、特定する能力は、シームレスな操作を維持するために不可欠である。 本研究では, 古典的ファクトリ物理フレームワークで概説されている, キャパシティ, 在庫, 利用, 処理に関連する特徴を活用し, 第一階層のサプライチェーン破壊を予測するために, 多数の多変量時系列からなるデータセットを構築する方法を示す。 このデータセットは、50万を超える時系列の巨大なスケールのため、技術的に難しい。 さらに、これらの時系列は特定の類似性を示しながら、特定の部分群内での不均一性を示す。 これらの課題に対処するために,ニューラルネットワークを組み込んでグループ効果をモデル化する,拡張された注意シーケンスをシーケンス深層学習アーキテクチャに統合する手法をSurvival Analysisモデルで提案する。 このモデルは、運用上の障害に関連する複雑な異種データパターンを学習するために設計されている。 当社のモデルでは,フォードの北米5工場における品質保証(QA)フェーズにおいて,0.85の精度と0.8リコールを達成した。 さらに、機械学習モデルをブラックボックスとして一般的な批判に対処するために、モデル予測から特徴重要度を生成するためにSHAPフレームワークをどのように使用できるかを示す。 これは行動可能な戦略につながる貴重な洞察を提供し、自動車業界におけるサプライチェーンのリスクを管理し緩和するための高度な機械学習の可能性を強調している。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Time Series Viewmakers for Robust Disruption Prediction [0.0]
  本稿では,新たな時系列ビューメーカネットワークを用いて,トレーニングデータの多種多様な拡張や“ビュー”を生成する方法について検討する。 以上の結果から,AUC と F2 の得点は,AUC と F2 のスコアが標準的あるいは非拡張よりも向上していることがわかった。
  論文  参考訳（メタデータ） (2024-10-14T20:23:43Z)
• Hybrid-Segmentor: A Hybrid Approach to Automated Fine-Grained Crack Segmentation in Civil Infrastructure [52.2025114590481]
  エンコーダ・デコーダをベースとした手法であるHybrid-Segmentorを導入する。 これにより、モデルは、様々な種類の形状、表面、き裂の大きさを区別する一般化能力を向上させることができる。 提案モデルは,5つの測定基準(精度0.971,精度0.804,リコール0.744,F1スコア0.770,IoUスコア0.630)で既存ベンチマークモデルより優れ,最先端の状態を達成している。
  論文  参考訳（メタデータ） (2024-09-04T16:47:16Z)
• Benchmarking Zero-Shot Robustness of Multimodal Foundation Models: A Pilot Study [61.65123150513683]
  CLIPのようなマルチモーダル基盤モデルは、最先端のゼロショット結果を生成する。 これらのモデルは、ImageNetでトレーニングされた教師付きモデルのパフォーマンスを一致させることで、ロバスト性ギャップを埋めることが報告されている。 CLIPは、ベンチマーク上の教師付きImageNetモデルと比較して、かなりの堅牢性低下をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-03-15T17:33:49Z)
• Robustness Analysis on Foundational Segmentation Models [28.01242494123917]
  本研究では,セグメンテーションタスクのためのVisual Foundation Models (VFM) のロバストネス解析を行う。 2つの異なるデータセットを使用して、7つの最先端セグメンテーションアーキテクチャをベンチマークする。 VFMは、強靭性において不定形モデルをすべて上回るものではないにもかかわらず、圧縮誘起汚損に対する脆弱性を示し、マルチモーダルモデルはゼロショットシナリオにおける競争力を示し、VFMは特定の対象カテゴリに対して強靭性を示す。
  論文  参考訳（メタデータ） (2023-06-15T16:59:42Z)
• Enhancing Supply Chain Resilience: A Machine Learning Approach for Predicting Product Availability Dates Under Disruption [2.294014185517203]
  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。
  論文  参考訳（メタデータ） (2023-04-28T15:22:20Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• On the causality-preservation capabilities of generative modelling [0.0]
  GANの因果保存能力と生成した合成データが因果質問に確実に答えられるかどうかを検討する。 これは、GANによって生成される合成データの因果解析を、より寛大な仮定で行うことによって行われる。
  論文  参考訳（メタデータ） (2023-01-03T14:09:15Z)
• 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)
• Closing the Loop: A Framework for Trustworthy Machine Learning in Power Systems [0.0]
  エネルギーセクターの深い脱炭には、再生可能エネルギー資源の大量侵入と膨大なグリッドアセット調整が必要である。 機械学習(ML)は、今後数十年で電力システムが変化していくにつれて、これらの課題を克服するのに役立つ。 物理シミュレーションデータから学習した信頼性の高いMLモデル構築に関わる5つの課題を概説する。
  論文  参考訳（メタデータ） (2022-03-14T21:30:43Z)
• Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting [68.86835407617778]
  Autoformerは、Auto-Correlation機構を備えた、新しい分解アーキテクチャである。 長期的な予測では、Autoformerは6つのベンチマークで相対的に改善され、最先端の精度が得られる。
  論文  参考訳（メタデータ） (2021-06-24T13:43:43Z)

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。