A Dynamic Adaptive Fusion Transformer for Zero-Inflated Intermittent Spare Parts Demand Forecasting

複雑なサプライチェーンの世界において、適切な部品を在庫しておくことは、常にバランスを取るための難しい作業です。もし工場や航空会社が特定の部品を切らしてしまえば、業務が停止し、多大なコストを伴う遅延を引き起こす可能性があります。しかし、倉庫に一度も使われない部品が溢れていれば、資金が棚の上で眠り続け、それらの品物が最終的に陳腐化してしまう可能性もあります。この課題は、機械や車両用のスペアパーツにおいて特に困難です。パンや電池のような日常的な消費財の需要とは異なり、スペアパーツは数ヶ月、時には数年間も手付かずのまま放置され、機械が故障した時に突然必要とされることがよくあります。このように、長い沈黙の期間が稀で予測不可能な要求によって中断されるパターンは、特有の予測問題を生み出します。安定した売上にはうまく機能する標準的な予測ツールは、ここでは失敗することがよくあります。数学的な計算に基づき、単に「近いうちに必要になる」と予測してしまうため、不要な在庫の蓄積を招いたり、あるいは実際に部品が必要となった稀な瞬間を見逃したりしてしまうのです。

中国の空軍ロジスティクス・カレッジの研究チームは、この特定の問題を解決するための新しいアプローチを開発しました。彼らは、需要が全くない月がほとんど存在する、この「ゼロ過剰（zero-inflated）」な需要パターンを扱うために設計された、高度なコンピュータモデルを作成しました。研究者たちは、2,600種類以上の異なるスペアパーツの需要記録を含む実世界のデータセットを使用し、4年以上にわたる使用状況を追跡して、このシステムをテストしました。目標は、今後数ヶ月間にその部品が必要になるかどうか、そしてもし必要となるならば、何個のユニットが必要になるかを予測することでした。彼らが「Dynamic Adaptive Fusion Transformer（動的適応融合トランスフォーマー）」と呼ぶこの新しいモデルは、予測タスクを2つの明確な問いに分割することで機能します。第一に、「その部品は果たして必要になるのか？」であり、第二に、「もし必要となるならば、いくつ必要になるのか？」です。これらを別々の問題として扱い、その答えを慎重に組み合わせることで、モデルは真の需要不足と、稀な需要の急増との違いを認識することを学習します。

研究者たちは、この分割アプローチを、モデルが自身の信頼度を調整できるメカニズムと組み合わせることで、精度が大幅に向上することを発見しました。テストにおいて、この新モデルは従来のメソッドよりも「誤報」を避ける能力がはるかに高いことが示されました。実際の需要がゼロであったとき、新モデルは需要をほぼゼロと予測し、倉庫に部品を注文して埃をかぶらせてしまう事態を効果的に防ぎました。具体的には、モデルはゼロ需要の月の予測誤差を非常に低いレベルまで減少させ、従来の統計的手法や他の現代的な機械学習ツールを大きく上回る成果を上げました。しかし、研究ではトレードオフも明らかになりました。モデルは「いつ注文すべきでないか」を知ることには優れていますが、需要が突発的に大きく跳ね上がる際の予測においては、時としてやや慎重になりすぎる傾向がありました。モデルは偽陽性のノイズを抑制することには成功しましたが、時として正当かつ緊急な要求の規模を過小評価してしまうことがありました。

これがどのように機能するかを理解するために、モデルを、カレンダーと履歴ログをまずチェックしてリクエストが発生する可能性を判断するシステムだと想像してみてください。もし履歴が、その部品が長い間使用されていないことを示していれば、システムは「ゼロ」と予測する方向に強く傾きます。もし履歴が最近の活動を示していれば、システムは数量の推定へと注意を移します。研究者たちは、モデルが「発生するかどうか」の推測と「いくつになるか」の推測に対して、それぞれどれだけの重みを与えるかを決定する「ゲーティング（門番）」システムを構築しました。これにより、モデルは柔軟性を持つことができます。データが静かな時期を示唆している月には、モデルは自信を持ってゼロと予測します。データが活動の兆候を示している月には、プラスの数値を予測するための扉を開きます。この動的な調整こそが、長期間の沈黙によって混乱することなく、スペアパーツの極端な予測不可能性に対処することを可能にしているのです。

実験の結果、この手法は、使用頻度は低いものの、必要な時には不可欠となる部品に対して特に効果的であることが示されました。部品が実際には必要でないときに、必要であると誤って予測する回数を減らすことで、このシステムは組織が保管コストを節約し、陳腐化した在庫を注文する無駄を回避する助けとなります。研究者は、モデルが大規模で突発的な需要のスパイク（急増）を正確に予測することについては完璧ではないものの、誤報を回避する能力は大きな改善であると指摘しました。在庫管理において、余剰在庫を保持するコストが高い文脈では、この精度は非常に価値があります。本研究は、多くのスペアパーツにとって、最善の戦略は、念のために需要があるかもしれないと推測することではなく、証拠が強固な場合にのみ必要性を予測するという、非常に慎重な姿勢をとることであると示唆しています。

研究者たちは、自らのモデルを、古い統計的手法や新しいディープラーニングモデルを含む他のいくつかの手法と比較検証しました。結果は明白でした。新モデルは総エラー数が少なく、需要が発生しない月を特定することにおいてはるかに優れていました。実際、部品が必要なかった月のみに注目すると、新モデルの予測は他の手法よりもゼロに極めて近い値を示しました。これは、モデルがそこに存在しないパターンを見出し、不必要に部品を注文してしまうという「偽の陽性予測（spurious positive predictions）」という一般的な落とし穴を、モデルがうまく回避できたことを意味します。また、研究は、新しいシステムの各部分が重要な役割を果たしていることも確認しました。需要の発生を確認する部分を取り除くと、モデルはゼロ需要の月を扱う能力が低下し、需要の規模を確認する部分を取り除くと、実際に部品が必要な時の精度が低下しました。これらの要素を組み合わせ、適応型融合メカニズムによって管理することで、単一のコンポーネントだけよりも堅牢なシステムが構築されたのです。

このモデルは、過剰注文を防ぐことには長けていますが、稀で高ボリュームなイベントの規模を予測することに関しては、まだ改善の余地があることも研究者たちは認めています。テストにおいて、モデルは需要が急増した際に、実際に必要だった数よりも少ない数を予測することがありました。これは、システムが「静かにしておくべき時」を知ることは得意である一方で、実際の需要のスパイクというノイズがやってきた際には、依然として少し保守的になりすぎる可能性があることを示唆しています。著者らは、将来の研究として、これらの極端なピークを扱うための特定のルールを追加することや、重要な部品が決して不足しないように、モデルの出力を安全在庫政策と組み合わせることを提案しています。現時点では、この研究は、予測問題をより小さく管理しやすい断片に分解し、モデルにそれらの重み付けを判断させることで、スペアパーツの予測不可能な世界を管理する、よりスマートなシステムを作ることが可能であることを証明しています。

この研究の意義は、研究者の拠点である軍事や航空分野にとどまりません。機器のメンテナンスにおいて、使用頻度の低い部品に依存しているあらゆる産業が、このアプローチから恩恵を受けることができます。工業製造から自動車修理に至るまで、断続的な需要を予測するという課題は普遍的なものです。「Dynamic Adaptive Fusion Transformer」の成功は、在庫管理の未来が、複雑なデータに対して単一の単純な予測を強制しようとすることではなく、需要の異なる状態を理解し、それに応じて戦略を適応できるシステムを構築することにあるということを示唆しています。真の需要不足と、稀な高活動の瞬間を区別することを学ぶことで、これらのシステムは、必要な部品の可用性をリスクにさらすことなく、サプライチェーンをリーン（効率的）に保ち、企業がより効率的に運営できるよう支援することができるのです。