图形神经网络(GNN)已在不同领域(例如运输,生物形式,语言处理和计算机视觉)中获得了吸引力。但是,关于将GNN应用于供应链网络的研究很明显。供应链网络在结构上本质上是图形的,使其成为应用GNN方法论的主要候选者。这开辟了一个可能性的世界,即使是最能力的供应链问题,也可以进行优化,预测和解决。这种方法的重大挫折在于没有现实世界的基准数据集,可以利用GNN进行研究和解决供应链问题。为了解决这个问题,我们提出了一个实际的基准数据集用于时间任务,该数据集是从孟加拉国领先的一家FMCG公司获得的,重点是用于生产目的的供应链规划。数据集将时间数据作为节点功能,以启用销售预示,生产计划和识别工厂问题。通过利用此数据集,研究人员可以使用GNN来解决众多供应链问题,从而进步供应链分析和计划领域。来源:https://github.com/ciol-sust/supplygraph
主要关键词
![arxiv:2401.15299v3 [cs.lg] 2025年1月15日PDF文件第1页](/bimg/d/d535f0833111cd4f3bbaca5c7e3fe8383286ad4a.webp)
![arxiv:2401.15299v3 [cs.lg] 2025年1月15日PDF文件第2页](/bimg/1/1d76401fe4e6f140bd170a42cd2e1c32cc3bcf16.webp)
![arxiv:2401.15299v3 [cs.lg] 2025年1月15日PDF文件第3页](/bimg/c/c8072375c8a3dc5aa7a336a27fa82f467b339667.webp)
![arxiv:2401.15299v3 [cs.lg] 2025年1月15日PDF文件第4页](/bimg/f/f8f9e652f11e95c513526fafb61c17939946dbd2.webp)
![arxiv:2401.15299v3 [cs.lg] 2025年1月15日PDF文件第5页](/bimg/b/ba8ca65fe9031de74007751a04f95a3c03bf0ff9.webp)
