基于机制引导的图学习方法：用于过程工业供应链中的动态中断传播与恢复预测

《Industrial & Engineering Chemistry Research》：Mechanism-Guided Graph Learning for Dynamic Disruption Propagation and Recovery Prediction in Process-Industry Supply Chains

　　

摘要

过程 industries 供应链中的中断可能会通过材料短缺、需求反馈、库存调整和不同的恢复方式，影响到直接受影响的公司之外的其他企业，导致生产延误和空间分布的损失。然而，现有的方法在动态级联预测方面仍然有限，因为基于机制的模拟器在重复场景评估时会产生巨大的计算成本；而基于图的学习方法主要关注静态网络结构或通用的传播模式，未能充分表示特定方向的供需互动以及中断和恢复动态，这些动态决定了级联的演变。为了解决过程 industries 环境中的这些局限性，构建了一个由模拟器生成的 Henriet 风格的化学供应链级联数据集，该数据集能够反映企业在有向材料依赖性、输入份额限制、需求配给、库存调整和恢复动态下的生产可行性动态演变。此外，还构建了一个基于 National Equities Exchange and Quotations (NEEQ) 公司的 Inoue 领域模拟器生成的基准测试，用于在更大的企业网络和不同的级联传播机制下检验相同的预测框架。提出了一种称为 MeCaSNet 的机制引导级联供应网络，该网络可以编码第 0 天的冲击状态，在有向供应关系上传播双向供需效应，并使用结合了循环展开和直接关键日期读取分支的结构化三部分轨迹解码器来重建企业层面的标准化生产率轨迹。在 Henriet 化学基准测试的十次重复事件分割中，MeCaSNet 的平均绝对误差 (MAE)_pk,csc 为 0.0454 ± 0.0021。在 NEEQ 基准测试中，相应的结果分别为 0.0741 ± 0.0015、0.8244 ± 0.0062 和 0.6001 ± 0.0025。代表性轨迹、级联影响范围和修复分析表明，该模型能够捕捉不同冲击模式和严重程度下的损害发生、峰值形成、恢复趋势、受影响区域以及修复优先级模式。在这两个基于模拟器的评估领域中，这些结果表明，机制引导的图学习可以作为过程 industries 中断评估的预测替代方法，并支持带有机制模拟器验证的固定预算修复集筛选。