Hybrid Deep Learning Approach for Coupled Demand Forecasting and Supply Chain Optimization

Titel: Hybride Deep Learning-benadering voor Gekoppeld Vraagvoorspelling en Supply Chain-optimalisatie

Auteurs: Nusrat Yasmin Nadia et al.
Publicatie: Computers, Materials & Continua (accepted April 2026)

---

1. Probleemstelling

De supply chain management in sectoren met hoge volatiliteit, zoals textiel en persoonlijke beschermingsmiddelen (PBM), staat voor een kritieke uitdaging: de disconnectie tussen vraagvoorspelling (predictie) en supply chain-optimalisatie (voorschrift).

• Traditionele aanpak: Voorspellingsmodellen (zoals ARIMA of machine learning) en optimalisatiemodellen (zoals lineaire programmering) worden vaak los van elkaar ontwikkeld en gebruikt.
• Beperkingen: Voorspellingsmodellen minimaliseren alleen de voorspellingsfout, zonder rekening te houden met operationele consequenties (zoals voorraadkosten of servicelevels). Optimalisatiemodellen vertrouwen vaak op vereenvoudigde aannames en externe voorspellingen die de realiteit niet volledig weergeven.
• Gevolg: Dit leidt tot inefficiënties zoals overvoorraad, tekorten (stockouts) en suboptimale servicelevels, vooral in onzekere markten.

2. Methodologie: HAF-DS Framework

De auteurs stellen een nieuw Hybrid AI Framework for Demand–Supply Forecasting and Optimization (HAF-DS) voor. Dit is een end-to-end, differentieerbaar systeem dat voorspelling en optimalisatie in één leerproces verenigt.

A. Architectuur

Het framework bestaat uit twee gekoppelde modules:

1. Vraagvoorspellingsmodule (Predictive):
   • Gebaseerd op een Stacked LSTM (Long Short-Term Memory) netwerk.
   • Verwerkt tijdreeksdata (verkopen) en categorische variabelen (SKU, leverancier) via embedding layers.
   • Doel: Het voorspellen van de vraag ($\hat{y}_{t+1}$) op basis van historische patronen en contextuele variabelen.
2. Supply Chain-optimalisatiemodule (Prescriptive):
   • Geformuleerd als een Mixed-Integer Linear Programming (MILP) probleem, geïmplementeerd als een differentieerbare neurale laag.
   • Minimaliseert totale operationele kosten ($C_{total}$) inclusief productiekosten, voorraadkosten, transportkosten en tekortkosten.
   • Houdt rekening met beperkingen zoals levertijden, voorraadniveaus en leveranciersbetrouwbaarheid.

B. Koppelmechanisme (Gradient Coupling)

Het kerninnovatiepunt is de end-to-end training via een gedeelde verliesfunctie:
$$L_{total} = \lambda_1 L_{forecast} + \lambda_2 L_{supply}$$

• Waarbij $L_{forecast}$ de voorspellingsfout (MSE) is en $L_{supply}$ de operationele kosten en servicelevel-beperkingen vertegenwoordigt.
• Gradient Flow: De optimalisatiefout (supply-side loss) stroomt via backpropagation terug naar de voorspellingsmodule. Dit betekent dat het voorspellingsmodel niet alleen leert om de vraag nauwkeurig te voorspellen, maar ook om voorspellingen te doen die leiden tot kosten-efficiënte beslissingen.
• Embeddings: Categorische data (zoals leveranciers-ID's) worden omgezet in dichte vectorrepresentaties, waardoor het model complexe relaties tussen producten, leveranciers en seizoensinvloeden kan leren.

C. Data en Training

• Datasets: Gebruik van twee openbare datasets (Textile Sales en Supply Chain Data) van Kaggle.
• Preprocessing: Inclusief imputatie van ontbrekende waarden, Min-Max normalisatie, en data-augmentatie (bijv. het toevoegen van ruis) voor robuustheid.
• Training: Gebruik van de Adam-optimizer met vroege stopconditie (early stopping) om overfitting te voorkomen.

3. Belangrijkste Bijdragen

1. Unificatie van Predictie en Prescriptie: Een volledig geïntegreerd framework dat de kloof tussen voorspellende analytics en operationele besluitvorming overbrugt, in tegenstelling tot traditionele "voorspel-dan-optimaliseer" (two-stage) benaderingen.
2. Differentieerbare Optimalisatie: De implementatie van een differentieerbare optimalisatielaag die directe gradiënten doorgeeft aan het voorspellingsnetwerk, waardoor operationele doelen het leerproces sturen.
3. Contextuele Embeddings: Het gebruik van leerbare embeddings voor categorische supply chain-variabelen, wat de nauwkeurigheid aanzienlijk verbetert ten opzichte van one-hot encoding.
4. Uitgebreide Validatie: Een robuuste evaluatie op zowel voorspellingsnauwkeurigheid als operationele prestaties (kosten, servicelevel) met statistische significantie-toetsing.

4. Resultaten

De experimenten tonen aan dat HAF-DS superieur presteert ten opzichte van klassieke statistische methoden (ARIMA), geavanceerde deep learning-modellen (LSTM, GRU, Transformer) en heuristische optimalisatie.

Voorspellingsnauwkeurigheid (Op gecombineerde dataset):

• MAE (Mean Absolute Error): Vermindering van 15,04 naar 12,83 (-14,7%).
• RMSE (Root Mean Squared Error): Vermindering van 19,53 naar 17,11 (-12,4%).
• MAPE: Vermindering van 9,5% naar 8,1%.

Operationele Prestaties (Supply Chain):

• Voorraadkosten: Vermindering met 5,4%.
• Stockout-rate (Tekorten): Vermindering met 27,5%.
• Service Level: Stijging van 95,5% naar 97,8%.
• Totale Kosten: Vermindering met 4,6%.

Ablatie-studie:
De studie bevestigt dat elke component essentieel is. Het verwijderen van de embeddings of de gezamenlijke training leidt tot een significante daling in prestaties (bijv. een stijging van de MAE met bijna 10% zonder embeddings).

5. Betekenis en Toekomstperspectief

• Praktische Toepassing: Het framework biedt een schaalbare oplossing voor sectoren met hoge volatiliteit (textiel, PBM), waar traditionele modellen vaak falen. Het kan worden geïntegreerd in bestaande ERP- of SCM-systemen via modulaire API's.
• Resilience: Door de koppeling van voorspelling en optimalisatie, wordt de supply chain robuuster tegen schokken en onzekerheid.
• Interpretatie: Het model biedt inzicht in welke factoren (seizoen, leverancier, etc.) de voorspelling en beslissingen het meest beïnvloeden, wat het vertrouwen van managers in AI-gestuurde beslissingen vergroot.
• Toekomst: De auteurs suggereren uitbreiding naar andere sectoren (automotive, farmacie) en het integreren van multi-agent reinforcement learning voor dynamische leverancierscoördinatie.

Conclusie:
Dit onderzoek bewijst dat het gezamenlijk trainen van voorspellings- en optimalisatiemodellen leidt tot zowel hogere voorspellingsnauwkeurigheid als betere operationele resultaten, waardoor het een nieuwe standaard vormt voor AI-gedreven supply chain management.