[論文レビュー] Stock-out Prediction in Multi-echelon Networks

Afshin Oroojlooyjadid, Lawrence Snyder+1 more|arXiv (Cornell University)|Sep 20, 2017

Supply Chain and Inventory Management参考文献 9被引用数 3

ひとこと要約

本稿では、需要分布の知識を必要とせず、履歴在庫および需要データを用いて、マルチエコノミー供給チェーンにおける在庫切れを予測する深層ニューラルネットワーク（DNN）ベースの手法を提案する。この手法は、99％に達する予測精度を達成し、特に需要が相関を示すシステムや複数期間予測において、単純なベンチマークを著しく上回る性能を示す。

ABSTRACT

In multi-echelon inventory systems the performance of a given node is affected by events that occur at many other nodes and in many other time periods. For example, a supply disruption upstream will have an effect on downstream, customer-facing nodes several periods later as the disruption "cascades" through the system. There is very little research on stock-out prediction in single-echelon systems and (to the best of our knowledge) none on multi-echelon systems. However, in real the world, it is clear that there is significant interest in techniques for this sort of stock-out prediction. Therefore, our research aims to fill this gap by using deep neural networks (DNN) to predict stock-outs in multi-echelon supply chains.

研究の動機と目的

• 供給チェーン全体の障害がノードを介して伝播するマルチエコノミー供給チェーンネットワークにおける在庫切れ予測に関する研究の不足に応えること。
• 既知の需要分布を仮定せず、履歴在庫および需要データのみを用いて、近い将来の在庫切れを予測するデータ駆動型手法を開発すること。
• さまざまなネットワークトポロジーおよび需要相関構造において、深層学習と単純なベースライン手法の在庫切れ予測性能を比較評価すること。
• 需要の相関関係を考慮したモデルが、在庫切れを複数期間先に予測する能力をどのように向上させるかを評価すること。
• 需要の相関関係をDNNアーキテクチャに組み込むことで、予測精度がどのように向上するかを検討すること。

提案手法

• 深層ニューラルネットワーク（DNN）を、在庫レベル、在庫中数量、需要の履歴データに基づき、ノードが近い将来に在庫切れを起こすかどうかを予測するように学習させる。
• ランダム予測、定数予測、現在の在庫のみを基にした予測という3つの単純なベースライン手法と比較してモデルを評価する。
• 複数期間予測のため、DNNを変更し、次のq期間分の予測を出力するようにし、各予測期間長に対して別々のモデルをテストする。
• 需要の相関関係を考慮するための重み付きDNNバージョンを導入し、アイテム間の相関関係を入力層の学習可能な重みとしてモデル化する。
• 実世界のネットワークトポロジー（直列型、OWMR型、およびディストリビューション型）を用いて、さまざまな需要相関構造を持つ合成データを生成し、その上でモデルを学習およびテストする。
• 誤検出率および誤検出率を用いて性能を評価し、複数のテストインスタンスおよび予測期間にわたって精度を計算する。

実験結果

リサーチクエスチョン

• RQ1 需要分布が不明な状況下で、深層学習モデルが単純なベースライン手法よりもマルチエコノミー供給チェーンにおける在庫切れをより正確に予測できるか？
• RQ2 アイテム間の正のまたは負の相関関係（需要の相関）を組み込むことで、DNNモデルの予測精度はどのように変化するか？
• RQ3 在庫切れを複数期間先に予測する場合、DNNモデルの予測精度はどの程度であり、予測期間が長くなるに従ってどのように低下するか？
• RQ4 需要の相関関係を考慮した重み付きDNNバージョンは、標準的なDNNと比較して予測性能を著しく向上させるか？
• RQ5 木構造でない複雑なネットワークトポロジー、特に非木構造のネットワークにおいて、モデルの性能はいかがなっているか？

主な発見

• 直列型ネットワークでは、DNNモデルが平均99％の予測精度を達成し、単純なベースライン手法を著しく上回っている。
• 複数アイテムの需要が相関を示すディストリビューション型ネットワークでは、重み付きDNNが99％の精度を達成した一方、独立した需要の場合は95％にとどまり、需要の相関関係をモデル化することが価値があることを示している。
• 非木構造の複雑なネットワークトポロジーにおいても、DNNは平均91％以上の精度を維持しており、多様な供給チェーン構造においても堅牢であることが示された。
• 複数期間予測の精度は予測期間が長くなるに従って低下する：7日先予測の場合、4〜7日先の予測精度は90％未満に低下する。また、より長い予測期間を用いる場合、初期の時間ステップの精度も低下する。
• 各予測期間（例：2日後、3日後、7日後）ごとに別々のDNNモデルを走らせる方が、1つのマルチアウトプットモデルよりも高い精度を達成しており、特に初期の時間ステップで顕著である。
• 在庫切れの閾値をゼロ以外に設定しても、モデルは良好な性能を示しており、在庫切れ条件の定義に柔軟性があることが示された。