可解释的双LSTM自动编码器,具有异常特征,用于异常检测和供应链预测
1Department of Business Administration, Shandong College of Economics and Business, Weifang, 261011, Shandong, China. chen_xiao_yang@yeah.net.
Scientific reports
|November 27, 2025
概括
本研究介绍了用于零售供应链的AI系统,通过使用长短期存储器 (LSTM) 网络和自动编码器来增强需求预测和异常检测,以提高准确性和稳定性.
科学领域:
- 供应链管理 供应链管理
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 零售系统面临越来越多的复杂性,需要先进的人工智能进行最佳管理.
- 传统的统计模型在零售数据中与非线性模式,季节性和外部因素作斗争.
- 准确的需求预测和异常检测对于供应链效率,成本降低和客户满意度至关重要.
研究的目的:
- 提出一种新的双头人工智能系统,用于同时预测零售供应链的需求和检测零售供应链中的异常.
- 通过专门的网络架构和功能工程来提高对异常值的预测准确性和稳定性.
- 为更好地理解预测和异常检测逻辑提供模型透明度和可解释性.
主要方法:
- 一个双头系统,结合了长短期内存 (LSTM) 网络用于预测和自动编码器用于异常检测.
- 实施特征工程和选择技术,以捕捉时间依赖和结构模式.
- 使用基于错误,基于准确性和预测间隔指标对M5预测数据集进行实证评估.
主要成果:
- 拟议的模型比基线深度学习模型取得了9.4%的相对改善.
- 证明了较低的错误率,RMSE为10.84和强大的间隔覆盖率,MPIW为5.2.
- 使用 Saliency 地图,SHAP 值和 LIME 解释实现了模型透明度.
结论:
- 双头AI系统显著改善了零售供应链的需求预测和异常检测.
- 集成LSTM和自动编码器,加上特征工程,提高模型性能和可靠性.
- 可解释的AI技术为供应链管理的模型决策流程提供了宝贵的见解.