详细内容或原文请订阅后点击阅览
时间序列还不够：图神经网络如何改变需求预测
为什么将 SKU 建模为网络揭示了传统预测所遗漏的内容《时间序列不够：图神经网络如何改变需求预测》首先出现在《走向数据科学》上。
来源:走向数据科学传统上被视为时间序列问题。
然而，尽管模型越来越复杂，常见的问题仍然存在：
问题是供应链中的需求不是独立的。它是联网的。例如，当您映射典型供应链中的 12 个 SKU 的共享工厂、产品组、子组和存储位置时，这就是它们的样子。
因此，当网络某个角落的需求发生变化时，整个网络都会受到影响。
在本文中，我们跳出了模型优先的思维，以供应链实际行为的方式来看待问题——作为一个互联的操作系统。使用真实的快速消费品数据集，我们展示了为什么即使是简单的基于图的神经网络（GNN）也从根本上优于传统方法，以及这对商业领袖和数据科学家意味着什么。
真实的供应链实验
我们在真实的 FMCG 数据集 (SupplyGraph) 上测试了这个想法，该数据集结合了业务的两种视图：
静态供应链关系
该数据集有 40 个活跃 SKU、9 个工厂、21 个产品组、36 个子组和 13 个存储位置。平均而言，每个 SKU 大约有 41 个边缘连接，这意味着一个密集连接图，其中大多数 SKU 通过共享工厂或产品组与许多其他 SKU 链接。
从规划的角度来看，这个网络编码了通常只存在于规划者头脑中的机构知识：
“如果这个 SKU 飙升，其他人也会感受到。”
时间运营信号和销售结果
数据集包含 221 天的时间数据。对于每个 SKU 和每一天，数据集包括：
\[
\]