MCDFN：供应链需求预测通过可解释的多通道数据融合网络模型整合 CNN、LSTM 和 GRU

May, 2024

MCDFN：供应链需求预测通过可解释的多通道数据融合网络模型整合 CNN、LSTM 和 GRU

MCDFN: Supply Chain Demand Forecasting via an Explainable Multi-Channel Data Fusion Network Model Integrating CNN, LSTM, and GRU

PDF

Md Abrar Jahin, Asef Shahriar, Md Al Amin

TL;DR通过深度学习构建融合多通道数据的网络（MCDFN），提高需求预测准确性并实现可解释性，优于其他七个深度学习模型，适用于供应链管理系统且为未来研究提供方向。

Abstract

Accurate demand forecasting is crucial for optimizing supply chain management. Traditional methods often fail to capture complex patterns from seasonal variability and special events. Despite advancements in deep learni

demand forecasting supply chain management deep learning multi-channel data fusion network interpretable ai techniques

发现论文，激发创造

融合近期和远期视野，实现更好的预测

通过融合跨时间未来视图来改善多元时间序列预测的准确性，使用了多级表达法神经网络和卷积神经网络提取多层抽象表示。在三个实际数据集上的实验证明，与现有技术基准方法相比，我们的方法在 RMSE 度量上平均降低 4.59％，MAE 度量上平均降低 6.87％。

Dec, 2019

基于多模态深度学习的交通流量预测的混合方法

本文提出了一种混合多模态深度学习方法用于短期交通流量预测，可以通过注意力辅助的多模态深度学习架构联合自适应地学习多模态交通数据的空间 - 时间相关特征和长期时间依赖关系，通过多个 CNN-GRU-attention 模块将不同模态交通数据的共享表示特征融合。实验结果表明，该模型能够有效地处理复杂的非线性城市交通流预测问题。

Mar, 2018

ARMDN：用于电商需求预测的联合与循环混合密度网络

本研究提出了一种称为 AR-MDN 的神经网络结构，该结构能够同时模拟关联因素、时间序列趋势和需求方差，为在线零售组织提供精确的需求预测，同时也在消除需求方面存在的问题方面获得了显著的改进和提高。

Mar, 2018

基于时空相关性的混合深度学习框架的短期交通流量预测

本文提出了一种新颖的基于 CNN 和 LSTM 结合的深度学习体系结构来预测未来的交通流量，通过开放数据集进行实验，结果表明该方法具有显著的优势，并从 Granger 因果性的角度对其进行了分析探讨。

Dec, 2016

需求预测的多模态神经网络

通过整合新闻详情中真实生活事件、历史销售数据、节假日信息以及 Google Trends 产品趋势数据，提出了一种多模式销售预测网络，该网络在超市实际数据集中比现有的销售预测技术具有统计显著性的改进，平均 SMAPE 误差率提高了 7.37％。

Oct, 2022

基于图神经网络的概率性需求预测

该研究论文在需求预测中通过整合图神经网络到先进的 DeepAR 模型，并利用文章属性相似性构建图形，提出了一种解决独立文章预测和相关文章交互的方法，实验结果表明该方法在真实数据集上始终优于非图形基准，同时产生了对下游业务任务有用的文章嵌入。

Jan, 2024

FPN-fusion: 增强的线性复杂度时间序列预测模型

本研究提出了一种新颖的时间序列预测模型，FPN-fusion，具有线性计算复杂度，相比于 DLiner 具有更优越的预测性能而无需增加参数数量或计算需求。我们的模型引入了两个关键创新：首先，采用特征金字塔网络（FPN）有效地捕捉时间序列数据的特征，避免了传统趋势和季节分解；其次，开发了一个多层融合结构，无缝地整合深层和浅层特征。在八个开源数据集上的 32 个测试案例中，FPN-fusion 在 31 个案例中表现优于 DLiner，平均均方误差 (MSE) 减少 16.8% 和平均绝对误差 (MAE) 减少 11.8%。此外，与基于 Transformer 的 PatchTST 相比，FPN-fusion 在 32 个测试项目中实现了 10 个最佳 MSE 结果和 15 个最佳 MAE 结果，仅使用了 PatchTST 总计算负载的 8%。

Jun, 2024

网络流的图神经建模

本研究基于图神经网络和边缘参数，提出了一种可优化多源汇间数据流分布和路由策略的方法，并在 17 种服务提供商拓扑和两种流路由方案的案例中得到了实质性的提升。同时，我们还发现了图结构与数据驱动流路由复杂度之间的联系。

Sep, 2022

使用深度神经网络进行相关时间序列预测：结果概述

本文提出两种深度学习模型来准确预测相关时间序列，第一个模型在每个时间序列上使用卷积神经网络，第二个模型通过在每个时间序列上添加自编码器，实现了多任务学习。在两个现实世界的相关时间序列数据集上，实验证明所提出的两种模型有效且优于大多数基线。

Aug, 2018

采用人工神经网络进行 GDP 现值预测：长期记忆的重要性如何？

通过比较动态因子模型（DFM）和四种人工神经网络（ANNs）的预测表现，本文应用不同的统计模型来实时预测美国经济的季度 GDP 增长，并使用 FRED-MD 数据库进行实证研究。结果表明，虽然在经济增长平衡期间，较长的输入序列会产生更准确的预测，但是在经济动荡期间（如 COVID-19 衰退期间），较长的训练序列并不能提高模型的预测性能；在这种情况下，1D CNN 则具有较高的准确率，并被提出作为一种经济实时预测的有效方法。

Apr, 2023