MCDFN: Supply Chain Demand Forecasting via an Explainable Multi-Channel Data Fusion Network Model
Created by
- Haebom
Category
Empty
저자
Md Abrar Jahin, Asef Shahriar, Md Al Amin
개요
본 논문에서는 다양한 계절 변동성과 특수 이벤트로 인해 복잡한 패턴을 포착하는 데 어려움을 겪는 기존 수요 예측 방법의 한계를 극복하기 위해, CNN, LSTM, GRU를 통합한 하이브리드 아키텍처인 다중 채널 데이터 융합 네트워크(MCDFN)를 제시합니다. MCDFN은 시계열 데이터에서 공간적 및 시간적 특징을 추출하여 예측 성능을 향상시키며, MSE, RMSE, MAE, MAPE 지표에서 다른 7개의 딥러닝 모델보다 우수한 성능을 보였습니다 (MSE: 23.5738, RMSE: 4.8553, MAE: 3.9991, MAPE: 20.1575%). Theil's U 통계량(0.1181)과 10-fold cross-validated statistical paired t-test (p-value < 5%) 결과는 MCDFN의 예측 성능이 단순 예측 방식보다 우수하며 실제 값과 유의미한 차이가 없음을 나타냅니다. 또한, ShapTime과 Permutation Feature Importance와 같은 설명 가능한 AI 기법을 사용하여 모델의 해석성을 높였습니다. 본 연구는 수요 예측 방법론을 발전시키고 공급망 시스템에 MCDFN을 통합하기 위한 실용적인 지침을 제공하며, 확장성 및 사용자 친화적인 배포를 위한 향후 연구 방향을 제시합니다.
시사점, 한계점
•
시사점:
◦
CNN, LSTM, GRU를 결합한 MCDFN 모델을 통해 기존 딥러닝 모델보다 우수한 수요 예측 성능을 달성.
◦
ShapTime 및 Permutation Feature Importance를 활용하여 모델의 해석성 향상.
◦
공급망 관리 최적화를 위한 실용적인 수요 예측 방법론 제시.
•
한계점:
◦
모델의 확장성 및 사용자 친화적인 배포에 대한 추가 연구 필요.
◦
다양한 데이터셋에 대한 일반화 성능 검증 필요.
◦
특정 데이터셋에 대한 최적화 가능성 존재.
