Jul, 2023

大数据 - 供应链管理框架的预测：数据预处理和机器学习技术

PDF
TL;DR本文旨在系统地确定和比较分析最新的供应链预测策略和技术，提出了一个包含大数据分析在供应链管理中的新框架，并讨论了预测对人力、库存和整个供应链的影响以及其优化方面的建议。
发现论文，激发创造
  • 敏捷预测模型开发的精简框架：实现高效库存管理

    提出了一种开发预测模型的框架，包括数据集清理、算法选择、多重交叉验证等步骤，以及在智能预测竞赛和库存管理中的应用。

    Apr, 2023

  • 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

  • 面向库存管理的业务指标感知预测

    时序预测对于商业规划起重要作用，但常规预测度量的优化往往无视下游业务目标，导致与商业偏好不符的预测结果。本研究关注库存管理领域，以一种可微的端到端方式计算和优化常见的下游业务度量的代理指标，通过大量的成本权衡情景实证表明端到端优化通常优于对标准商业无关预测度量的优化（对于简单缩放模型最高可达 45.7%，对于 LSTM 编码 - 解码模型最高可达 54.0%）。最后，讨论了研究结果对其他商业环境的潜在益处。

    Aug, 2023

  • 一种可扩展和可迁移的时序预测框架用于需求预测

    提出了一种名为 Forecasting orchestra（Forchestra）的时间序列预测框架，具有可扩展的模型规模和预测精度，能够在需求预测和物流优化等业务问题中准确预测未来需求。

    Feb, 2024

  • 基于深度学习的预测：来自在线时尚业的案例研究

    通过深度学习等方法应对数据量大、不规则、目录更替频繁、固定库存假设等挑战，对在线时尚行业的需求预测问题进行建模分析，并展示了该方法合理有效的实证结果。

    May, 2023

  • 大数据系统应对机器学习挑战：向大数据科学服务发展

    介绍大数据科学中使用云计算作为一种实用且成本效益高的解决方案，着重分析软件堆栈的建设模块，为数据科学家提供大数据分析应用的普及服务，为该领域的最新发展和挑战提供各种见解。

    Sep, 2017

  • 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

    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。

    Apr, 2023

  • 利用大型语言模型进行供应链排放估计

    提出了一种利用适应领域的自然语言处理基础模型估计企业三阶段的排放量的框架，通过运用财务交易作为购买货物和服务的代理，结果显示该框架的性能超越了现有的文本分类模型，并可与专业人员相媲美。该框架能够加速企业规模的三阶段估计，并协助采取适当的气候行动以实现可持续发展目标 13。

    Aug, 2023

  • 利用智能推荐系统作为首要的弹性度量 —— 基于数据驱动的供应链中断响应框架

    利用智能推荐系统技术提出了一种新的数据驱动型供应链中断响应框架，并通过实际应用验证了概念模型，结果表明该框架可以作为有效的供应链中断缓解措施，在首次响应阶段帮助供应链参与者获得更好的反应性能。

    Mar, 2024

  • 机器学习与大数据的结合：无线通信视角

    本文简要介绍大数据分析和机器学习，并探讨它们在下一代无线网络中的潜在应用。提出了一个统一的大数据辅助的机器学习框架，用于预测移动用户的要求，并利用它来改善社交网络感知无线网络的性能，为了描述该框架的效率，提供了一对智能实际应用作为案例研究，以及为激励未来的研究提供开放式研究机会。

    Jan, 2019