結合された需要予測とサプライチェーン最適化のためのハイブリッドディープラーニングアプローチ

arXiv:2604.21567v1 Announce Type: cross 要約: 変動する需要と不確実な供給が特徴である、テキストファイバーや個人防護具（PPE）などの業界において、サプライチェーンの強靭性と効率性が不可欠です。従来の予測と最適化アプローチはしばしば個別に操作され、実世界での効果に限界を置かれています。この論文では、Long Short-Term Memory (LSTM) に基づく需要予測モジュールと混合整数線形計画法 (MILP) の最適化層を統合した、需要 - 供給予測および最適化のためのハイブリッド AI フレームワーク (HAF-DS) を提案します。LSTM は時間的および文脈的な需要の依存関係を捕捉し、最適化層は費用対効果の高い補充および配分決定を規定します。このフレームワークは、埋め込みベースの特徴表現と反復ニューラルアーキテクチャを通じて、予測誤差と運用コストの両方を同時に最小化します。テキストファイバーの販売データとサプライチェーンデータに基づく実験では、統計的およびディープラーニングの基準モデルと比較して、顕著な性能向上が確認されました。結合データセットにおいて、HAF-DS は平均絶対誤差 (MAE) を 15.04 から 12.83（14.7%）、二乗平均誤差の平方根 (RMSE) を 19.53 から 17.11（12.4%）、平均絶対パーセント誤差 (MAPE) を 9.5% から 8.1% にそれぞれ減少させました。在庫コストは 5.4% 削減され、在庫切れは 27.5% 減少し、サービスレベルは 95.5% から 97.8% に向上しました。これらの結果は、予測的な予測と指導的最適化の結合が精度と効率の両方を強化し、現代のテキストファイバーおよび PPE サプライチェーンに対してスケーラブルかつ適応的なソリューションを提供することを示しています。

arXiv:2604.21567v1 Announce Type: cross Abstract: Supply chain resilience and efficiency are vital in industries characterized by volatile demand and uncertain supply, such as textiles and personal protective equipment (PPE). Traditional forecasting and optimization approaches often operate in isolation, limiting their real-world effectiveness. This paper proposes a Hybrid AI Framework for Demand-Supply Forecasting and Optimization (HAF-DS), which integrates a Long Short-Term Memory (LSTM)-based demand forecasting module with a mixed integer linear programming (MILP) optimization layer. The LSTM captures temporal and contextual demand dependencies, while the optimization layer prescribes cost-efficient replenishment and allocation decisions. The framework jointly minimizes forecasting error and operational cost through embedding-based feature representation and recurrent neural architectures. Experiments on textile sales and supply chain datasets show significant performance gains over statistical and deep learning baselines. On the combined dataset, HAF-DS reduced Mean Absolute Error (MAE) from 15.04 to 12.83 (14.7%), Root Mean Squared Error (RMSE) from 19.53 to 17.11 (12.4%), and Mean Absolute Percentage Error (MAPE) from 9.5% to 8.1%. Inventory cost decreased by 5.4%, stockouts by 27.5%, and service level rose from 95.5% to 97.8%. These results confirm that coupling predictive forecasting with prescriptive optimization enhances both accuracy and efficiency, providing a scalable and adaptable solution for modern textile and PPE supply chains.