[논문 리뷰] Stock-out Prediction in Multi-echelon Networks

Afshin Oroojlooyjadid, Lawrence Snyder외 1명|arXiv (Cornell University)|2017. 09. 20.

Supply Chain and Inventory Management참고 문헌 9인용 수 3

한 줄 요약

이 논문은 수요 분포를 알지 못하는 조건에서도 역사적 재고 및 수요 데이터를 사용하여 다단계 공급망에서 품절을 예측하기 위한 딥 뉴럴 네트워크(DNN) 기반 접근법을 제안한다. 이 방법은 최대 99%의 예측 정확도를 달성하며, 특히 수요 간 종속성과 다기능 예측이 있는 시스템에서 단순 기준보다 뛰어난 성능을 보인다.

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.

연구 동기 및 목표

• 시스템 전체의 장애가 노드를 통해 확산되는 다단계 공급망 네트워크에서 품절 예측에 대한 연구 부족을 해결하기 위해.
• 알려진 수요 분포를 가정하지 않고도 과거의 재고 및 수요 데이터만을 사용하여 근접한 미래의 품절을 예측할 수 있는 데이터 기반 방법을 개발하기 위해.
• 다양한 네트워크 구조와 수요 상관관계 구조에서 딥 러닝 기법이 단순 기준 방법보다 품절 예측 성능에 미치는 영향을 평가하기 위해.
• 모델이 수요 종속성 수준에 따라 다양한 정도로 품절을 다기능 예측할 수 있는 능력을 평가하기 위해.
• 수요 종속성 정보를 DNN 아키텍처에 통합함으로써 예측 정확도 향상에 기여하는지 탐색하기 위해.

제안 방법

• 딥 뉴럴 네트워크(DNN)는 재고 수준, 이월 수요, 수요의 역사를 기반으로 향후 근접한 시점에 노드가 품절 상태에 이를지를 예측하도록 훈련된다.
• 모델은 세 가지 단순 기준 방법(랜덤 예측, 일정 예측, 현재 재고만 기반한 예측)과 비교 평가된다.
• 다기능 예측을 위해 DNN는 다음 q개 시간 단위에 대한 q개의 예측을 출력하도록 수정되었으며, 각 예측 수준에 대해 별도의 모델이 테스트되었다.
• 수요 종속성을 고려하기 위해 가중치가 부여된 DNN 버전이 도입되었으며, 항목 간 상관관계는 입력층에서 학습된 가중치로 모델링된다.
• 모델은 실제 네트워크 구조를 기반으로 생성된 시뮬레이션 데이터를 사용하여 훈련 및 테스트되었으며, 순차적, OWMR, 분배형 네트워크 등 다양한 수요 상관관계를 가진 네트워크가 포함된다.
• 성능 평가에는 위양성 및 위음성 비율을 사용하였으며, 다양한 테스트 인스턴스와 예측 수준에서 정확도가 계산되었다.

실험 결과

연구 질문

• RQ1 수요 분포를 알지 못하는 조건에서 딥 러닝 모델이 단순 기준 방법보다 다단계 공급망의 품절을 더 정확하게 예측할 수 있는가?
• RQ2 항목 간 수요 종속성(양성 또는 음성 상관관계)을 통합할 경우 DNN 모델의 예측 정확도에 어떤 영향을 미치는가?
• RQ3 다기능 예측에서 DNN 모델의 예측 정확도는 얼마나 되며, 장기 예측 수준으로 갈수록 어떻게 저하되는가?
• RQ4 수요 종속성을 고려한 가중치가 부여된 DNN 버전이 표준 DNN에 비해 예측 성능을 뚜렷이 향상시키는가?
• RQ5 복잡한 비트리 구조의 네트워크 구조에서도 모델의 성능은 어떻게 나타나는가?

주요 결과

• 순차적 네트워크에서 DNN 모델은 평균 99%의 예측 정확도를 달성하며, 단순 기준 방법보다 뚜렷이 뛰어난 성능을 보였다.
• 다중 품목 수요 종속성이 있는 분배형 네트워크에서는 가중치가 부여된 DNN가 99%의 정확도를 기록했으며, 독립 수요 사례의 95%에 비해 정확도가 향상됨을 입증하였다. 이는 수요 종속성을 모델링하는 것이 가치가 있음을 시사한다.
• 복잡한 비트리 네트워크 구조에서는 DNN가 평균 91% 이상의 정확도를 유지하여 다양한 공급망 구조에 대한 강건성을 입증하였다.
• 다기능 예측 정확도는 장기 예측 수준으로 갈수록 저하됨: 7일 예측 시 4~7일 예측은 90% 이하로 떨어지며, 더 긴 예측 수준을 사용할 경우 초기 예측 단계에서도 정확도가 떨어진다.
• 각 예측 기간(예: 2일, 3일, 7일 예측 수준)에 대해 별도의 DNN 모델을 사용하는 것이 다중 출력 모델보다 더 높은 정확도를 제공하며, 특히 초기 시간 단계에서 유의미한 향상이 나타난다.
• 모델은 품절 조건을 0이 아닌 기준 이하로 설정해도 잘 작동함을 보여, 품절 조건 정의의 영향력 있는 유연성을 보였다.