.png){kind=icon}
.png){kind=icon}
返回
Machine Learning for Master Production Scheduling: Combining probabilistic forecasting with stochastic optimisation
.png){kind=icon}
OA
AI
DOI：10.1016/j.eswa.2025.126586.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究探讨了在需求不确定性下的供应链（SC）规划挑战，重点研究具有产能约束的主生产计划（MPS）。传统的供应链规划方法通常基于点预测和基本安全库存计算，忽视了每个产品在每个计划期内独特的需求分布。考虑需求不确定性对于鲁棒决策至关重要，尤其是对于具有季节性和非平稳需求的时间序列。为弥补这一差距，本文引入了一种开创性的分离估计与优化（SEO）方法，该方法利用基于机器学习（ML）的概率预测来估计需求不确定性，随后通过随机优化求解。通过涉及17个数据集共303种产品的全面分析，研究证实了随机优化方法的有效性，并展示了基于ML的预测的优越性，其在捕捉复杂需求模式的细微之处方面尤为擅长。本研究挑战了传统上对高斯分布的依赖，转而倡导采用更灵活的参数分布，如负二项分布（Neg.-Bin.）。此外，它阐述了如何利用基于ML的概率需求预测和随机MPS研究的最新进展，并为未来研究奠定了基础。这些未来研究方向包括探索使用滚动计划期测试这些方法，以及整合需求和供应不确定性。
Keyword:
Master Production Scheduling
Stochastic optimisation
Supply chain optimisation
Probabilistic forecasting
Machine learning forecasting
Master planning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。