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

In de complexe wereld van toeleveringsketens is het op voorraad houden van de juiste onderdelen een voortdurende evenwichtsoefening. Als een fabriek of een luchtvaartmaatschappij een specifiek onderdeel niet meer op voorraad heeft, kan de bedrijfsvoering tot stilstand komen, wat kostbare vertragingen veroorzaakt. Maar als een magazijn vol ligt met onderdelen die nooit worden gebruikt, zit geld ongebruikt op de planken en kunnen de artikelen uiteindelijk verouderd raken. Deze uitdaging is bijzonder moeilijk voor reserveonderdelen die worden gebruikt in machines en voertuigen. In tegen tegenover de vraag naar alledaagse artikelen zoals brood of batterijen, die mensen regelmatig kopen, liggen reserveonderdelen vaak maanden of zelfs jaren ongemoeid, om pas plotseling nodig te zijn wanneer een machine defect raakt. Dit patroon, waarbij lange perioden van stilte worden onderbroken door zeldzame, onvoorspelbare verzoeken, creëert een uniek voorspellingsprobleem. Standaard voorspellingsinstrumenten, die goed werken voor een constante verkoop, schieten hier vaak tekort. Ze hebben de neiging om te voorspellen dat een onderdeel binnenkort nodig zal zijn simpelweg omdat de wiskunde dat zegt, wat leidt tot een ophoping van onnodige voorraad, of ze missen het zeldzame moment waarop een onderdeel daadwerkelijk vereist is.

Een team onderzoekers van de Air Force Logistics College in China heeft een nieuwe aanpak ontwikkeld om dit specifieke puzzelstuk op te lossen. Ze hebben een geavanceerd computermodel ontwikkeld dat ontworpen is om deze grillige, "zero-inflated" vraagpatronen aan te pakken, waarbij de meeste maanden geen vraag wordt getoond. De onderzoekers testten hun systeem met een real-world dataset die de vraagrecords bevat van meer dan 2.600 verschillende reserveonderdelen, waarbij ze het gebruik over een periode van meer dan vier jaar volgden. Het doel was om te voorspellen of een onderdeel in de komende maanden nodig zou zijn en, zo ja, hoeveel eenheden er vereist zouden zijn. Hun nieuwe model, dat ze de Dynamic Adaptive Fusion Transformer noemen, werkt door de voorspellingsopgave op te splitsen in twee afzonderlijke vragen: eerst, zal het onderdeel überhaupt nodig zijn? en tweede, als het nodig is, hoeveel eenheden zijn er dan vereist? Door deze als aparte problemen te behandelen en de antwoorden vervolgens zorgvuldig te combineren, leert het model het verschil te herkennen tussen een werkelijk gebrek aan behoefte en een zeldzame piek in de vraag.

De onderzoekers ontdekten dat deze gesplitste aanpak, gecombineerd met een mechanisme dat het model in staat stelt zijn eigen betrouwbaarheid aan te passen, de nauwkeurigheid aanzienlijk verbeterde. In hun tests was het nieuwe model veel beter in het vermijden van valse alarmen dan eerdere methoden. Wanneer de werkelijke vraag naar een onderdeel nul was, voorspelde het nieuwe model een vraag van bijna nul, waardoor het effectief voorkomt dat een magazijn onderdelen bestelt die daar alleen maar stof zouden verzamelen. Specifiek verminderde het model de fout in het voorspellen van maanden met nul vraag tot een zeer laag niveau, waarmee het traditionele statistische methoden en andere moderne machine learning-tools ver overtrof. De studie onthulde echter ook een afweging. Hoewel het model uitstekend werd in het weten wanneer er niet besteld moest worden, werd het soms iets voorzichtiger bij het voorspellen van grote, plotselinge pieken in de vraag. Het onderdrukte succesvol de ruis van valse positieven, maar onderschatte soms de omvang van een echte, dringende aanvraag.

Om te begrijpen hoe dit werkt, stel je voor dat het model een systeem is dat eerst een kalender en een geschiedenislogboek controleert om te beslissen of een aanvraag waarschijnlijk is. Als de geschiedenis laat zien dat het onderdeel al lange tijd niet is gebruikt, leunt het systeem zwaar naar het voorspellen van nul. Als de geschiedenis recente activiteit laat zien, verschuift de aandacht naar het schatten van de hoeveelheid. De onderzoekers bouwden een "gating"-systeem dat fungeert als een verkeersregelaar, die beslist hoeveel gewicht er moet worden gegeven aan de gok "zal het gebeuren?" versus de gok "hoeveel?". Dit stelt het model in staat om flexibel te zijn. In maanden waarin de data wijst op een rustige periode, voorspelt het model met vertrouwen nul. In maanden waarin de data op activiteit hint, opent het de deur naar het voorspellen van een positief aantal. Deze dynamische aanpassing is wat het systeem in staat stelt om met de extreme onvoorspelbaarheid van reserveonderdelen om te gaan zonder in de war te raken door de lange perioden van stilte.

De experimenten toonden aan dat deze methode bijzonder effectief is voor onderdelen die zelden worden gebruikt, maar cruciaal zijn wanneer ze nodig zijn. Door het aantal keren te verminderen dat het model onterecht een behoefte aan een onderdeel voorspelt dat eigenlijk niet nodig is, helpt het systeem organisaties geld te besparen op opslag en het verspillen van het bestellen van verouderde voorraad te voorkomen. De onderzoekers merkten op dat hoewel het model niet perfect is in het voorspellen van de exacte omvang van een enorme, plotselinge vraagpiek, het vermogen om valse alarmen te vermijden een grote verbetering is. In de context van voorraadbeheer, waar de kosten voor het aanhouden van extra voorraad hoog kunnen zijn, is deze precisie waardevol. De studie suggereert dat voor veel reserveonderdelen de beste strategie is om zeer voorzichtig te zijn met het voorspellen van een behoefte, tenzij het bewijs sterk is, in plaats van te gokken dat de vraag zou kunnen verschijnen om maar veilig te zijn.

De onderzoekers testten hun model tegenover verschillende andere methoden, inclusief oudere statistische technieken en nieuwere deep learning-modellen. De resultaten waren duidelijk: het nieuwe model produceerde minder totale fouten en was veel beter in het identificeren van maanden waarin geen vraag zou zijn. Sterker nog, wanneer er specifiek werd gekeken naar de maanden waarin geen onderdelen nodig waren, waren de voorspellingen van het nieuwe model aanzienlijk dichter bij nul dan die van de andere methoden. Dit betekent dat het succesvol de valkuil van "spurius positieve voorspellingen" heeft vermeden, waarbij een model een patroon ziet dat er niet is en onnodig onderdelen bestelt. De studie bevestigde ook dat elk onderdeel van hun nieuwe systeem een vitale rol speelde. Het verwijderen van het deel dat de aanwezigheid van vraag controleert, maakte het model slechter in het afhandelen van maanden met nul vraag, terwijl het verwijderen van het deel dat de omvang van de vraag controleert, het minder accuraat maakte wanneer onderdelen daadwerkelijk nodig waren. De combinatie van deze elementen, beheerd door het adaptieve fusiemechanisme, creëerde een systeem dat robuuster was dan elk enkel onderdeel alleen.

Hoewel het model uitblinkt in het voorkomen van overbestelling, erkenden de onderzoekers dat het nog steeds ruimte heeft voor verbetering wat betreft het voorspellen van de omvang van zeldzame, hoog-volume gebeurtenissen. In hun tests voorspelde het model soms een kleiner aantal onderdelen dan daadwerkelijk nodig was tijdens een plotselinge piek. Dit suggereert dat hoewel het systeem uitstekend is in het weten wanneer het stil moet blijven, het nog steeds een beetje conservatief kan zijn wanneer de ruis van een echte vraagpiek arriveert. De auteurs stellen voor dat toekomstig werk het toevoegen van specifieke regels kan inhouden om deze extreme pieken te behandelen of het combineren van de output van het model met veiligheidsvoorraadbeleid om ervoor te zorgen dat kritieke onderdelen nooit worden gemist. Voor nu demonstreert de studie dat door het voorspellingsprobleem op te splitsen in kleinere, meer beheersbare stukken en het model te laten beslissen hoe het deze weegt, het mogelijk is om een veel slimmer systeem te creëren voor het beheer van de onvoorspelbare wereld van reserveonderdelen.

De implicaties van dit werk reiken verder dan alleen de militaire of luchtvaartsectoren, waar de onderzoekers gevestigd zijn. Elke industrie die afhankelijk is van het onderhoud van apparatuur met onderdelen die onfrequent worden gebruikt, kan profiteren van deze aanpak. Van industriële productie tot automonteur; de uitdaging om intermitterende vraag te voorspellen is universeel. Het succes van de Dynamic Adaptive Fusion Transformer suggereert dat de toekomst van voorraadbeheer niet ligt in het proberen te dwingen van een enkele, eenvoudige voorspelling op complexe data, maar in het bouwen van systemen die verschillende staten van vraag kunnen begrijpen en hun strategie dienovereenkomstig kunnen aanpassen. Door te leren het onderscheid te maken tussen een werkelijk gebrek aan behoefte en een zeldzaam moment van hoge activiteit, kunnen deze systemen bedrijven helpen efficiënter te opereren, waarbij ze hun toeleveringsketens slank houden zonder het risico te lopen op de beschikbaarheid van de onderdelen die ze het meest nodig hebben.