Графовые нейронные сети для моделирования сложных зависимостей в глобальных сетях цепочек поставок

Graph Neural Networks for Modeling Complex Dependencies in Global Supply Chain Networks
Jingyi Liu, Pan Li, Ying Wang, Ying Wang
2026-03-17

Каскадные сбоиГрафовые нейронные сетиМногоуровневые зависимостиЦепи поставокВременные графовые нейронные сети
Глобальные сети цепочек поставок характеризуются сложными зависимостями, обусловленными многоуровневыми отношениями между поставщиками, динамическим распространением спроса, каскадными эффектами сбоев и сложными потоками материалов между географически распределёнными субъектами. Традиционные аналитические подходы испытывают трудности при учёте этих взаимозависимостей вследствие опоры на упрощённые предположения о структуре сети и потоках информации. Графовые нейронные сети (GNN) стали мощным инструментом моделирования сложных реляционных данных благодаря обучению представлений, кодирующих как атрибуты узлов, так и топологию графа посредством механизмов передачи сообщений. В настоящем обзоре рассматривается применение GNN для моделирования сетей цепочек поставок с акцентом на то, как эти методы выявляют структуры зависимостей, прогнозируют каскадное распространение сбоев, оптимизируют конфигурации сетей и содействуют принятию решений в условиях неопределённости. Рассматриваются базовые архитектуры GNN, включая графовые сверточные сети (GCN), графовые сети внимания (GAT) и графовые рекуррентные сети, а также анализируется их пригодность для различных задач моделирования цепочек поставок. Исследуется, как подходы на основе GNN моделируют многоуровневую прозрачность, прогнозирование спроса с учётом сетевых эффектов, анализ распространения рисков и динамику взаимоотношений с поставщиками. К ключевым рассматриваемым применениям относятся прогнозирование сбоев, оптимизация запасов на различных уровнях сети, выбор поставщиков с учётом косвенных зависимостей и оценка устойчивости глобальных цепочек поставок. Этот комплексный анализ показывает, что методы GNN превосходят традиционные методы аналитики цепочек поставок в выявлении нелокальных зависимостей и моделировании сложных закономерностей взаимодействия. В заключении определяются важнейшие направления дальнейших исследований, включая временные GNN для моделирования динамической эволюции цепочек поставок и гетерогенные GNN для мультимодальных данных цепочек поставок.
1
Ключевые применения включают оптимизацию запасов на разных уровнях, выбор поставщиков с учетом косвенных зависимостей и оценку устойчивости в условиях неопределенности.
2
Архитектуры GNN, включая GCN, GAT и графовые рекуррентные сети, применимы для прогнозирования сбоев, прогнозирования спроса, анализа распространения рисков и оптимизации сетей поставок.
3
GNN позволяют моделировать каскадные сбои, распространение спроса с учетом сетевых эффектов, динамику отношений с поставщиками и материальные потоки между географически распределенными участниками.
4
Графовые нейронные сети эффективнее традиционной аналитики цепей поставок выявляют многоуровневые зависимости поставщиков, топологию сети и нелокальные взаимодействия.
5
В качестве важнейших направлений дальнейших исследований выделены временные GNN для эволюционирующих сетей и гетерогенные GNN для мультимодальных данных цепей поставок.

глобальные сети цепочек поставок

моделирование сложных зависимостей и моделей взаимодействия, включая каскады сбоев, распространение спроса, многоуровневую прозрачность, отношения с поставщиками и устойчивость сети

Publication Details
Publication Date
2026-03-17
Journal
Publisher
ISSN
Cited by
13
Access Type
Author Information
Authors
Jingyi Liu
Pan Li
Ying Wang
Ying Wang
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%