Apr, 2023

提升供应链弹性：基于机器学习的产品可用性日期预测方法及其应对中断方案

PDF
TL;DR通过多种回归模型，本文尝试预测通用电气（GE）燃气和汽轮机服务和制造业务物流运输的产品可用性日期，并表明树形算法（即 RF 和 GBM）提供了最佳的泛化误差和最佳性能。
covid-19global supply chainlogistics operationsproduct availability datesregression models
发现论文，激发创造
  • 通过自动化机器学习增强供应链安全

    该研究通过机器学习方法来应对全球供应链面临的复杂性，从而提高供应链安全性。研究集中于通过欺诈检测、维护预测和物料缺货预测来增强供应链安全。引入一种自动化机器学习框架，优化数据分析、模型构建和超参数优化。研究指出了影响机器学习性能的关键因素，包括抽样方法、分类变量编码、特征选择和超参数优化。机器学习方法在处理大规模数据集和复杂模式时显示出优势，为供应链管理领域提供了有价值的贡献。

    Jun, 2024

  • 使用循环神经网络和 Transformer 进行销售预测

    利用深度学习技术和 Corporación Favorita 数据集，我们提出三种替代方案来解决具体的需求预测问题，设计了一种简单的序列到序列的体系结构以及在此基础上的训练技巧，达到了约 0.54 的 RMSLE 的好性能。

    Apr, 2022

  • 机器学习在国际贸易趋势预测中的应用

    本研究介绍了使用机器学习算法，基于国际贸易交易和相关经济因素，进行预测和解释交易流的可能性，并对预测结果和政策决策进行了评估。

    Oct, 2019

  • 末端交付中的包裹丢失预测：深度与非深度方法，结合可解释人工智能的见解

    在电子商务零售领域，减少最后一公里配送阶段的包裹丢失是一个重要目标。本文提出了两种机器学习方法，即数据平衡与监督学习（DBSL）和深度混合集成学习（DHEL），以准确预测包裹丢失。我们使用比利时货运的一年数据对所提出的机器学习模型进行了全面评估，结果表明，将前馈自编码器与随机森林相结合的 DHEL 模型实现了最高的分类性能。此外，我们还使用可解释人工智能（XAI）的技术，说明预测模型如何在提升业务流程和增强电子商务零售商的整体价值主张方面发挥作用。

    Oct, 2023

  • 供应链网络中基于 GNN 的概率供应和库存预测

    在复杂供应链网络中，准确预测供应是具有挑战性的，但通过图形结构化历史数据，需求预测和原始供应计划的注意力机制图神经网络模型可显著提高供应和库存预测准确性，并为优化执行提供供应计划修正。

    Apr, 2024

  • 应对产品需求变化：赞助搜索中转化率（CR）预测应用

    本文提出了三种结合产品需求特征、专业数据采样方法和集成技术的模型，可以更准确地预测产品广告的用户交互结果，并同时对用户和广告商行为的波动具有鲁棒性。

    May, 2018

  • 利用机器学习在电力网络模型中从静态特征预测动态稳定性

    本文提出采用网络科学指标和机器学习模型相结合的方法来预测输电线路故障后系统失同步事件的风险，结果表明只需少量网络指标即可量化网络重定向流量的能力，得到高于 0.996 的平均预测精度。

    Oct, 2022

  • 应对运营管理中的分布式转移：以定制生产中的订单履行为例

    针对生产线加工定制化产品时分布变化带来的机器学习算法性能下降问题，本研究提出了一种基于敌对学习和车间生产调度的数据驱动方法，以实现在高度定制化的制造环境中考虑分布变化。实证结果表明，相比通用算法，该方法可有效提升生产管理决策，达到更高的生产效率。

    Apr, 2023

  • 基于统计学和机器学习模型的实时日常排放比较研究

    本文选用六种模型（灰色预测模型、ARIMA 模型、SARIMAX 模型、人工神经网络模型、随机森林模型和长短时记忆模型）对中国所有部门（电力、工业、地面交通、住宅、国内航空、国际航空）在 2020 年 1 月 1 日至 2022 年 9 月 30 日的日期间序列数据进行预测，结果表明长短时记忆模型具有最佳的预测性能。

    Feb, 2023

  • 危机警报：使用机器学习方法预测股市危机事件

    运用先进的机器学习技术，包括随机森林和极限梯度提升，来预测主要发生在美国市场的潜在市场崩盘；同时，通过比较模型表现，考察哪种模型更适合预测美国股市崩盘。

    Jan, 2024