Spectral-temporal graph neural networks for demand forecasting on bipartite supply-customer graphs

Abstract

Diese Masterarbeit untersucht, ob eine explizite Kunden–Produkt-Graphstruktur die monatliche industrielle Nachfrageprognose verbessern kann. Dafür wird ein TGGC-ähnliches spektral–temporales Graph Neural Network auf zwei Graphformulierungen angewendet: einen festen bipartiten Kunden–Site–Produkt-Graphen sowie einen latenten Site–Produkt Graphen, dessen Struktur aus den Zeitreihen gelernt wird. Die Basisarchitektur wird zudem verwendet, um verschiedene spektrale Filterbasen zu vergleichen, darunter polyno miale Filter wie Gegenbauer- und Jacobi-Filter sowie rationale Filter wie ARMA- und Cayley-Filter. Die Modelle werden auf einem realen Unternehmensdatensatz evaluiert. Dabei wird ein Lookback-Fenster von zwölf Monaten verwendet, um einen Prognosehorizont von drei Monaten vorherzusagen. Die Modellgüte wird anhand von MAE, RMSE und WAPE bewertet. WAPE dient als Hauptvergleichsmetrik, da diese Kennzahl den gesamten absoluten Prognosefehler ins Verhältnis zum gesamten absoluten Verkaufsvolumen setzt und damit für Verkaufsdaten mit stark unterschiedlichen Volumina besonders geeignet ist. Die empirischen Ergebnisse zeigen, dass einfache zeitliche Persistenz das stärkste Prognosesignal im Datensatz darstellt. Ein gleitender Drei-Monats-Durchschnitt erreicht den besten WAPE-Wert auf den Site–Produkt-Knoten und übertrifft alle getesteten neuronalen Architekturen. Dennoch zeigen die Experimente, dass sowohl die Graphkonstruktion als auch die Wahl des spektralen Filters das Prognoseverhalten beeinflussen. Der feste bipartite Graph erzielt auf der gemeinsamen Site–Produkt-Knotenmenge eine ähnliche Leistung wie der gelernte latente Graph. Dies deutet darauf hin, dass eine interpretierbare Kunden–Produkt-Struktur mit nur begrenztem Genauigkeitsverlust gegenüber einem gelernten Graphen in die spektral–temporale Prognose integriert werden kann, auch wenn sie den einfachen Basisansatz nicht verbessert. Unter den Graph-Neural-Network-Modellen erzielt ein ARMA-Filter die beste Leistung für den festen bipartiten Graphen mit einem WAPE von 35,73 ± 3,30%. Für den latenten Site–Produkt-Graphen erzielt ein Cayley-Filter die beste Leistung mit einem WAPE von 34,75 ± 3,16%. Das feste bipartite Modell ist damit im WAPE etwas schwächer als das latente Site–Produkt-Modell, jedoch ist der Unterschied gering. Insgesamt zeigen die Ergebnisse, dass explizite und interpretierbare Kunden–Produkt-Beziehungen in spektral–temporale Prognosemodelle integriert werden können, ohne einen großen Genauigkeitsverlust gegenüber einer gelernten latenten Graphstruktur zu verursachen.