详细内容或原文请订阅后点击阅览
从联系到意义：为什么异构图转换器 (HGT) 改变需求预测
关系感知图如何将连接的预测转化为操作洞察力文章从连接到意义：为什么异构图转换器 (HGT) 改变需求预测首先出现在走向数据科学上。
来源:走向数据科学预测错误不是由糟糕的时间序列模型引起的。
它们是由于忽略结构造成的。
SKU 不独立运行。他们通过共享工厂、产品组、仓库和存储地点进行交互。对一个 SKU 的需求冲击通常会传播到其他 SKU，但大多数预测系统都会单独对每个 SKU 进行建模。
在我的上一篇文章中，我们表明显式建模这些连接很重要。使用真实的快速消费品供应链图，简单的图神经网络 (GraphSAGE) 与强大的朴素基线相比，纯粹通过允许信息在相关 SKU 之间流动，将 SKU 级别的预测误差降低了 27% 以上。
但 GraphSAGE 做了一个简化的假设：所有关系都是平等的。
共享工厂与共享产品组的处理方式相同。替代物和互补物被平均为单个信号。这限制了模型预测实际需求变化的能力。
本文探讨了当模型不仅可以看到供应链网络，而且可以理解其中每个关系的含义时会发生什么。
我们展示了异构图转换器 (HGT) 如何将关系感知学习引入需求预测，以及为什么看似微小的变化会产生更多的预期预测、更严格的误差分布和实质上更好的结果（即使是间歇性的、每日的每个 SKU 需求），将互联预测转变为意义感知、基于操作的预测。
简要回顾：GraphSAGE 告诉我们的内容
在上一篇文章中，我们在真实的快速消费品供应链图上训练了时空 GraphSAGE 模型：
每个 SKU 通过共享工厂、组和位置与其他 SKU 连接 - 创建一个密集的运营依赖网络。时间特征表现为生产波动和需求间歇性，这是快速消费品领域的常见情况。
但错误图显示了一些重要的内容：
它学习：