Графовые нейронные сети для моделирования сложных зависимостей в глобальных сетях цепочек поставок
Graph Neural Networks for Modeling Complex Dependencies in Global Supply Chain Networks
2026-03-17
SCID: 54.1/9bvtjn2v
Discuss with AI
Каскадные сбоиГрафовые нейронные сетиМногоуровневые зависимостиЦепи поставокВременные графовые нейронные сети
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
глобальные сети цепочек поставок
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai8
Всеобъемлющий обзор графовых нейронных сетей2020
Достижения и открытые проблемы федеративного обучения2020
Графовые нейронные сети: обзор методов и приложений2020
Динамическая графовая сверточная нейронная сеть для обучения на облаках точек2019
Графовая нейронная сеть с механизмом внимания для неоднородных графов2019
Цифровой двойник цепи поставок для управления рисками сбоев и обеспечения устойчивости в эпоху Индустрии 4.02020
Аналитика больших данных в управлении цепями поставок: систематический обзор литературы и направления исследований2022
EvolveGCN: Эволюционирующие графовые сверточные сети для динамических графов2020