使用SOM ANN和SHAP进行可解释的供应链预测的深度学习框架.
Khandakar Rabbi Ahmed1, Md Eahia Ansari2, Md Naimul Ahsan3
1Miyan Research Institute, International University of Business Agriculture and Technology, Dhaka, Bangladesh. khandakarrabbiahmed@gmail.com.
Scientific reports
|July 20, 2025
概括
本研究介绍了一种使用深度学习 (DL) 进行供应链管理 (SCM) 的AI框架. 该模型准确地预测了运输时间和交付风险,提高了SCM的弹性和工业4.0环境中的决策.
科学领域:
- 人工智能的人工智能
- 供应链管理 供应链管理
- 数据科学数据科学数据科学
背景情况:
- 工业4.0呈现出复杂,数据丰富的供应链,实时不确定性.
- 传统的供应链管理 (SCM) 与这些动态环境作斗争.
- 人工智能引导的预测建模对于现代的SCM至关重要.
研究的目的:
- 提出一个深度学习 (DL) 框架,以提高供应链运输时间预测和交付风险评估.
- 与传统方法相比,提高SCM预测的准确性和稳定性.
- 确保模型的可解释性,以确保最终用户的理解和信任.
主要方法:
- 这是一个结合自组织地图 (SOM),主要组件分析 (PCA) 和人工神经网络 (ANN) 的深度学习框架.
- 将SOM+ANN模型应用于DataCo智能供应链数据集,以预测运输时间和交付风险.
- 为了模型的可解释性,使用了SHAP (沙普利增量扩展).
主要成果:
- SOM+ANN模型显著超过了传统的机器学习 (ML) 模型,如随机森林,XGBoost和决策树.
- 实现了0.92的R2,0.936的RMSE和0.8459的MAE用于航运持续时间预测.
- 在数据集1上证明了96%的准确性和96.22%的F1分数用于交付风险分类,在数据集2上证明了89.65%的准确性.
结论:
- 拟议的SOM+ANN框架为SCM预测任务提供了更准确,更强大的解决方案.
- 透明的人工智能方法,如SHAP,提高了AI在SCM中的理解和采用.
- 该框架提高了SCM运营,弹性和决策能力.
