論文の概要: Hybrid Deep Learning Approach for Coupled Demand Forecasting and Supply Chain Optimization

• arxiv url: http://arxiv.org/abs/2604.21567v1
• Date: Thu, 23 Apr 2026 11:38:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.469207
• Title: Hybrid Deep Learning Approach for Coupled Demand Forecasting and Supply Chain Optimization
• Title（参考訳）: 複合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ディープラーニングアプローチ
• Authors: Nusrat Yasmin Nadia, Md Habibul Arif, Habibor Rahman Rabby, Md Iftekhar Monzur Tanvir, Md. Jakir Hossen, M. F. Mridha,
• Abstract要約: 本稿では,需要供給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。 LSTM(Long Short-Term Memory)ベースの需要予測モジュールと混合整数線形プログラミング(MILP)最適化層を統合している。 繊維販売とサプライチェーンデータセットの実験は、統計的およびディープラーニングベースラインよりも顕著なパフォーマンス向上を示している。
• 参考スコア（独自算出の注目度）: 0.21990652930491858
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Supply chain resilience and efficiency are vital in industries characterized by volatile demand and uncertain supply, such as textiles and personal protective equipment (PPE). Traditional forecasting and optimization approaches often operate in isolation, limiting their real-world effectiveness. This paper proposes a Hybrid AI Framework for Demand-Supply Forecasting and Optimization (HAF-DS), which integrates a Long Short-Term Memory (LSTM)-based demand forecasting module with a mixed integer linear programming (MILP) optimization layer. The LSTM captures temporal and contextual demand dependencies, while the optimization layer prescribes cost-efficient replenishment and allocation decisions. The framework jointly minimizes forecasting error and operational cost through embedding-based feature representation and recurrent neural architectures. Experiments on textile sales and supply chain datasets show significant performance gains over statistical and deep learning baselines. On the combined dataset, HAF-DS reduced Mean Absolute Error (MAE) from 15.04 to 12.83 (14.7%), Root Mean Squared Error (RMSE) from 19.53 to 17.11 (12.4%), and Mean Absolute Percentage Error (MAPE) from 9.5% to 8.1%. Inventory cost decreased by 5.4%, stockouts by 27.5%, and service level rose from 95.5% to 97.8%. These results confirm that coupling predictive forecasting with prescriptive optimization enhances both accuracy and efficiency, providing a scalable and adaptable solution for modern textile and PPE supply chains.
• Abstract（参考訳）: サプライチェーンのレジリエンスと効率性は、繊維やパーソナル・プロテクター(PPE)のような揮発性の需要と不確実な供給によって特徴づけられる産業において不可欠である。 従来の予測と最適化のアプローチは、しばしば独立して運用され、実際の効果が制限される。 本稿では,Long Short-Term Memory(LSTM)ベースの需要予測モジュールとMILP最適化層を統合したHybrid AI Framework for Demand-Supply Forecasting and Optimization(HAF-DS)を提案する。 LSTMは時間的およびコンテキスト的要求の依存関係をキャプチャし、最適化層はコスト効率の高い補充と割り当ての決定を規定する。 このフレームワークは、埋め込みベースの特徴表現とリカレントニューラルネットワークアーキテクチャにより、予測エラーと運用コストを共同で最小化する。 繊維販売とサプライチェーンデータセットの実験は、統計的およびディープラーニングベースラインよりも顕著なパフォーマンス向上を示している。 組み合わせたデータセットでは、平均絶対誤差(MAE)を15.04から12.83(14.7%)、ルート平均平方誤差(RMSE)を19.53から17.11(12.4%)、平均絶対誤差(MAPE)を9.5%から8.1%に削減した。 在庫コストは5.4%減少し、在庫は27.5%減少し、サービス水準は95.5%から97.8%に上昇した。 これらの結果は, 規範的最適化と結合予測が精度と効率を両立させ, 現代の繊維やPEサプライチェーンにスケーラブルで適応可能なソリューションを提供することを確認した。

関連論文リスト

• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• Proactive SFC Provisioning with Forecast-Driven DRL in Data Centers [5.886782001771578]
  Service Function Chaining(SFC)は、さまざまなサービス要件を満たすために、Virtual Network Functions(VNF)の効率的な配置を必要とする。 本稿では,予測知能とSFCプロビジョニングを組み合わせたハイブリッドな予測駆動型深層強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-28T04:00:13Z)
• Smart Contract Adoption under Discrete Overdispersed Demand: A Negative Binomial Optimization Perspective [0.9282261102509425]
  本研究は,動的負二項(NB)需要モデリングと内因性スマートコントラクトの採用を組み合わせた最適化フレームワークを開発する。 このフレームワークは在庫コスト、サービスレベル、実装コストのバランスをとるための実行可能なガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-10-07T01:04:19Z)
• Intelligent Routing for Sparse Demand Forecasting: A Comparative Evaluation of Selection Strategies [0.6798775532273751]
  サプライチェーンにおける パースと断続的な需要予測は 重大な課題です 本稿では, モデルスパンニングフレームワークを提案し, モデルスパンニングの古典的, ML, DLメソッドを製品毎に選択する。 大規模なFavoritaデータセットの実験では、ディープラーニング(インセプションタイム)ルータが予測精度を最大11.8%向上している。
  論文  参考訳（メタデータ） (2025-06-04T03:09:45Z)
• EfficientLLM: Efficiency in Large Language Models [64.3537131208038]
  大規模言語モデル(LLM)は大きな進歩を導いてきたが、その増加とコンテキストウィンドウは計算、エネルギー、金銭的コストを禁止している。 本稿では,新しいベンチマークであるEfficientLLMを紹介する。
  論文  参考訳（メタデータ） (2025-05-20T02:27:08Z)
• Leveraging Robust Optimization for LLM Alignment under Distribution Shifts [51.74394601039711]
  人間の値に整合した出力を生成するために、大規模言語モデルを操る上で、優先順位アライメント手法はますます重要になっている。 このようなシフトに拘わらず、好みのアライメントを改善する新しい分布対応最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-08T09:14:38Z)
• HAFLQ: Heterogeneous Adaptive Federated LoRA Fine-tuned LLM with Quantization [55.972018549438964]
  LLM(Federated Fine-tuning of Pre-trained Large Language Models)は、さまざまなデータセットにまたがるタスク固有の適応を可能にすると同時に、プライバシの保護を可能にする。 本研究では, HAFLQ (Heterogeneous Adaptive Federated Low-Rank Adaptation Fine-tuned LLM with Quantization) を提案する。 テキスト分類タスクの実験結果から,HAFLQはメモリ使用量を31%削減し,通信コストを49%削減し,精度を50%向上し,ベースライン法よりも高速な収束を実現している。
  論文  参考訳（メタデータ） (2024-11-10T19:59:54Z)
• Democratizing LLMs: An Exploration of Cost-Performance Trade-offs in Self-Refined Open-Source Models [53.859446823312126]
  SoTAは7Bから65Bまでのさまざまなサイズのオープンソースモデルを平均して、ベースラインのパフォーマンスから8.2%改善している。 厳密に言えば、Vicuna-7Bのような非常に小さなメモリフットプリントを持つモデルでさえ、全体的な11.74%の改善と、高い創造性、オープンエンドタスクの25.39%の改善を示している。
  論文  参考訳（メタデータ） (2023-10-11T15:56:00Z)
• SASL: Saliency-Adaptive Sparsity Learning for Neural Network Acceleration [20.92912642901645]
  そこで本稿では、さらなる最適化のために、SASL(Saliency-Adaptive Sparsity Learning)アプローチを提案する。 ResNet-50 の 49.7% の FLOP を 0.39% のトップ-1 と 0.05% のトップ-5 の精度で削減できる。
  論文  参考訳（メタデータ） (2020-03-12T16:49:37Z)

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。