Technische Samenvatting: Federated Ensemble Forecasting Onder Marktvolatiliteit in de Toeleveringsketen (FEF-NCL)

1. Probleemdefinitie

Het artikel behandelt de uitdaging van het genereren van nauwkeurige, bestuurbare vraagvoorspellingen in toeleveringsketennetwerken die worden gekenmerkt door drie specifieke beperkingen:

1. Datadistributie: Commerciële gegevens (transactierecord, leveringsvoorwaarden, klantgeschiedenis) zijn verdeeld over meerdere organisaties (clients) die de ruwe data niet kunnen of willen centraliseren vanwege contractuele en regelgevende blootstelling.
2. Niet-identieke Distributies (Heterogeniteit): Client-nodes ervaren verschillende marktregimes, leveringsomstandigheden en vrachtomgevingen. Standaard federated averaging heeft de neiging om de kennis van zeldzame maar kritieke "schok"-regimes (bijv. pieken in grondstofprijzen, vertragingen in de vracht) te verwateren wanneer de meerderheid van de clients stabiel blijft.
3. Marktvolatiliteit: De relatie tussen kenmerken (prijs, doorlooptijd, grondstofindices) en de vraag verandert snel (concept drift). Een enkel globaal model faalt vaak bij het vastleggen van de gespecialiseerde patronen die nodig zijn voor specifieke regimes, zoals stabiele seizoensgebonden aanvulling versus reacties op vrachtschokken.

De kernvraag is hoe men nauwkeurige voorspellingen kan produceren die datagrenzen respecteren, terwijl er gebruik wordt gemaakt van netwerkbrede leerprocessen om zeldzame, hoog-impact marktshocks op te vangen.

2. Methodologie: FEF-NCL

De voorgestelde oplossing, Federated Ensemble Forecasting with Negative-Correlation Learning (FEF-NCL), is een gedistribueerd framework dat is ontworpen rond vier principes:

• Multi-Expert Lokale Architectuur: Elke client traint meerdere gespecialiseerde "expert"-modellen in plaats van één monolithisch model. Deze experts zijn ontworpen om verschillende patronen te vangen: trends, prijsschokken, vertragingsrisico's en residuele vraag.
• Negative-Correlation Learning (NCL): Het framework introduceert een strafterm in de verliesfunctie die de ensembleleden ontmoedigt om dezelfde fouten te maken op dezelfde observaties. Dit dwingt specialisatie af, waardoor gewaarborgd wordt dat als één expert faalt op een specifiek regime (bijv. een grondstofpiek), een andere expert waarschijnlijk wel slaagt.
• Drift-bewuste en Betrouwbaarheidsgewogen Aggregatie: In plaats van eenvoudige middeling, aggregeert de server updates op basis van de betrouwbaarheid van de client. Clients berekenen een "drift score" op basis van validatieverlies, volatiliteit en update-normen. Updates van instabiele of kwalitatief minder goede clients worden lager gewogen, terwijl updates van clients die specifieke regimes ervaren (zelfs als deze zeldzaam zijn) worden behouden als ze aan de kwaliteitscriteria voldoen.
• Explainability-laag: Het systeem bevat een governance-laag die attributies van kenmerken (vergelijkbaar met SHAP) vastlegt voor markt-, leveranciers- en ordervariabelen. Dit stelt planners in staat om te beoordelen welke drijfveren (bijv. grondstofindex, on-time-in-full ratio van leveranciers) een specifieke voorspelling hebben beïnvloed.

Technische Implementatie:

• Model: Een multi-task sequentieel leermodel met een gedeelde temporele encoder (Gated Recurrent Unit) en vier lokale expert-koppen per client.
• Taken: Voorspelt gelijktijdig vier weken aan vraag (regressie), vertragingsrisico (classificatie) en marktregime (classificatie).
• Baselines: De methode wordt vergeleken met Seasonal Naive, lokale temporele fusion transformers (TFT), gecentraliseerde XGBoost en standaard federated learning algoritmen (FedAvg, FedProx, SCAFFOLD).

3. Experimentele Opzet en Data

De studie maakt gebruik van een enkele synthetische dataset die is geconstrueerd om interne consistentie te waarborgen zonder propriëtaire data bloot te stellen.

• Schaal: 124.800 wekelijkse observaties (januari 2021 – december 2024).
• Entiteiten: 10 regionale client-nodes, 60 productfamilies, 40 leveranciers, 5 grondstofgroepen.
• Volatiliteitsprofiel: Bevat kalme periodes, stijgende prijsperiodes en expliciete prijs-schok-regimes (14,6% van de observaties).
• Splitsing: Tijdgebaseerde splitsing (Training: weken 1–146; Validatie: 147–177; Test: 178–208) om te garanderen dat de testset regimeverschuivingen bevat die niet in de training zijn gezien.
• Metrieken: Weighted Mean Absolute Percentage Error (WMAPE), RMSE, Delay-Risk Macro-F1 en Regime Macro-F1.

4. Belangrijkste Resultaten

De evaluatie toont aan dat FEF-NCL de standaard federated baselines overtreft op de synthetische dataset, met name onder volatiele omstandigheden:

• Algehele Nauwkeurigheid: FEF-NCL behaalde een 12,4% WMAPE, wat een verbetering is ten opzichte van de beste federated baseline (SCAFFOLD op 13,9%) en de gecentraliseerde XGBoost baseline (13,6%).
• Risico- en Regimevoorspelling: Het verbeterde de Delay-Risk Macro-F1 naar 0,801 (tegenover 0,755 voor SCAFFOLD) en de Regime Macro-F1 naar 0,763.
• Volatiliteitsstratificatie: Het prestatieverschil werd groter in scenario's met hoge volatiliteit. In het hoogste volatiliteitskwintiel registreerde FEF-NCL een WMAPE van 21,3%, vergeleken met 23,4% voor SCAFFOLD en 24,5% voor FedAvg.
• Ablatiestudies: Het verwijderen van de negative-correlation penalty verhoogde de WMAPE naar 13,1%. Het verwijderen van de drift-gewogen aggregatie verhoogde de fout bij hoge volatiliteit met 1,2 procentpunt. Dit bevestigt dat de winst voortkomt uit de interactie tussen diversiteit, drift-weging en multi-task learning.
• Feature Attributie: Het model identificeerde succesvol plausibele drijfveren, waarbij de grondstofindex (0,24), doorlooptijd (0,19) en leveranciersbetrouwbaarheid (0,16) de belangrijkste bijdragers waren aan de variantie in de voorspelling.

5. Betekenis en Claims

Het artikel positioneert FEF-NCL niet als een universeel superieur vervanging voor alle voorspellingsmethoden, maar als een gespecialiseerde architecturale kandidaat voor specifieke contexten binnen de toeleveringsketen.

• Bescheiden Claim: De auteur stelt expliciet dat de resultaten "gecontroleerd bewijs van interne consistentie" zijn afgeleid van synthetische data en geen real-world validatie vormen. De gecentraliseerde baseline presteerde in sommige contexten beter dan de federated methoden, wat benadrukt dat de primaire waarde van FEF-NCL het vermogen is om te opereren onder beperkingen van datagrenzen terwijl de nauwkeurigheid behouden blijft.
• Kernbijdrage: Het artikel beargumenteert dat in toeleveringsketens waar zeldzame schokken operationeel kritiek zijn (bijv. veroorzaken van stockouts of versnelde vrachtkosten), ensemble-specialisatie superieur is aan standaard aggregatie. Door lokale experts toe te staan om onderscheidende foutprofielen te ontwikkelen en updates te wegen op basis van regime-dekking, behoudt het systeem de kennis van minderheidsregimes die standaard federated learning vaak verwatert.
• Governance: Het framework integreert risicobeheersing direct in de model-loop, waardoor planners drift-scores en feature-attributies krijgen om besluitvorming in volatiele omgevingen te ondersteiden.

6. Beperkingen en Toekomstig Werk

Het artikel erkent verschillende beperkingen en schetst toekomstige richtingen:

• Synthetische Data: De bevindingen rusten volledig op een synthetische dataset; real-world validatie met live backtests is vereist.
• Privacy: Hoewel ruwe data lokaal blijft, merkt het artikel op dat gradiënten en modelupdates verdere bescherming vereisen via secure aggregation en differential privacy.
• Complexiteit: Het vier-expert ensemble voegt communicatie-overhead toe (1,38x parameters) en is mogelijk niet geschikt voor clients met beperkte rekenkracht of eisen voor near-real-time latentie.
• Toekomstige Richtingen: De auteur stelt toekomstig werk voor op het gebied van: (1) testen op echte/semi-reële datasets, (2) het versterken van privacy-mechanismen, (3) adaptieve expert-creatie (dynamisch aantal experts), (4) het integreren van economische metrieken (kosten, serviceniveaus) naast statistische fouten, en (5) mensgerichte evaluatie van de vertrouwenswaardigheid van planners in de explainability-outputs.