技术摘要：针对供应链市场波动性的联邦集成预测 (FEF-NCL)

1. 问题定义

本文解决了在具有以下三种特定约束的供应链网络中，生成准确且可治理的需求预测的挑战：

1. 数据分布： 商业数据（交易记录、供应商条款、客户历史）分布在多个组织（客户端）中，由于合同和监管风险，这些组织无法或不愿集中原始数据。
2. 非相同分布（异质性）： 客户端节点经历着不同的市场机制、供应商条件和货运环境。标准的联邦平均算法往往会稀释对罕见但关键的“冲击”机制（例如大宗商品价格飙升、货运延迟）的知识，因为大多数客户端仍处于稳定状态。
3. 市场波动性： 特征（价格、提前期、大宗商品指数）与需求之间的关系变化迅速（概念漂移）。单一的全局模型往往无法捕捉特定机制所需的专业化模式，例如稳定的季节性补货与货运冲击响应之间的差异。

核心问题是如何在尊重数据边界的同时，利用全网学习来应对罕见且高影响的市场冲击，从而产生准确的预测。

2. 方法论：FEF-NCL

提出的解决方案——基于负相关学习的联邦集成预测 (FEF-NCL)——是一个围绕四个原则设计的分布式框架：

• 多专家本地架构： 每个客户端训练多个专门的“专家”模型，而非单一的单体模型。这些专家旨在捕捉不同的模式：趋势、价格冲击、延迟风险和残差需求。
• 负相关学习 (NCL)： 该框架在损失函数中引入了一个惩罚项，旨在防止集成成员在相同的观测值上犯下相同的错误。这强制实现了专业化，确保如果一个专家在特定机制（如大宗商品价格飙升）上失败，另一个专家很可能会成功。
• 漂移感知与可靠性加权聚合： 系统并非进行简单的平均，而是根据客户端的可靠性来聚合更新。客户端根据验证损失、波动性和更新范数计算一个“漂移分数”。来自不稳定或低质量客户端的更新会被降低权重，而来自经历特定机制（即使是罕见的）的客户端的更新，只要满足质量阈值，就会被保留。
• 可解释性层： 系统包含一个治理层，用于记录市场、供应商和订单变量的特征归因（类似于 SHAP）。这允许计划人员审查哪些驱动因素（例如大宗商品指数、供应商准时交付率）影响了特定的预测。

技术实现：

• 模型： 一个使用共享时间编码器（门控循环单元 GRU）和每个客户端四个本地专家头的多任务序列学习模型。
• 任务： 同时预测四周需求（回归）、延迟风险（分类）和市场机制（分类）。
• 基准测试： 该方法与季节性朴素模型 (Seasonal Naive)、本地仅有的时间融合转换器 (TFT)、集中式 XGBoost 以及标准联邦学习算法 (FedAvg, FedProx, SCAFFOLD) 进行对比。

3. 实验设置与数据

研究使用了一个单一合成数据集构建而成，以确保内部一致性而不暴露专有数据。

• 规模： 124,800 个周度观测值（2021年1月 – 2024年12月）。
• 实体： 10 个区域客户端节点，60 个产品族，40 个供应商，5 个大宗商品组。
• 波动剖面： 包括平静期、价格上升期以及明确的价格冲击机制（占观测值的 14.6%）。
• 划分： 基于时间的划分（训练集：第 1–146 周；验证集：第 147–177 周；测试集：第 178–208 周），以确保测试集包含训练中未见过的机制转变。
• 指标： 加权平均绝对百分比误差 (WMAPE)、RMSE、延迟风险 Macro-F1 和机制 Macro-F1。

4. 关键结果

评估表明，FEF-NCL 在合成数据集上优于标准的联邦基准，特别是在波动条件下：

• 整体准确度： FEF-NCL 实现了 12.4% 的 WMAPE，优于最佳联邦基准（SCAFFOLD 为 13.9%）和集中式 XGBoost 基准（13.6%）。
• 风险与机制预测： 它将延迟风险 Macro-F1 提高到了 0.801（SCAFFOLD 为 0.755）并将机制 Macro-F1 提高到了 0.763。
• 波动性分层： 在高波动性场景下，性能差距进一步扩大。在最高波动五分位数中，FEF-NCL 的 WMAPE 为 21.3%，而 SCAFFOLD 为 23.4%，FedAvg 为 24.5%。
• 消融研究： 移除负相关惩罚项会导致 WMAPE 上升至 13.1%。移除漂移加权聚合会导致高波动性误差增加 1.2 个百分点。这证实了其收益源于多样性、漂移加权和多任务学习之间的相互作用。
• 特征归因： 模型成功识别了合理的驱动因素，其中大宗商品指数 (0.24)、提前期 (0.19) 和供应商可靠性 (0.16) 是预测方差的主要贡献者。

5. 意义与主张

本文将 FEF-NCL 定位为特定供应链语境下的专门架构候选方案，而非普遍优于所有预测方法的通用替代品。

• 适度主张： 作者明确指出，结果是基于合成数据获得的“内部一致性的受控证据”，并不构成现实世界的验证。集中式基准在某些情况下优于联邦方法，这突显了 FEF-NCL 的主要价值在于其在保持准确性的同时，能够在数据边界约束下运行。
• 核心贡献： 本文认为，在罕见冲击在操作层面至关重要（例如导致缺货或紧急运费成本增加）的供应链中，集成专业化优于标准的聚合方式。通过允许本地专家开发出截然不同的误差分布，并根据机制覆盖范围对更新进行加权，该系统保留了标准联邦学习往往会稀释的少数机制知识。
• 治理： 该框架将风险治理直接集成到模型循环中，为计划人员提供漂移分数和特征归因，以支持在波动环境下的决策。

6. 局限性与未来工作

论文承认了若干局限性并概述了未来的研究方向：

• 合成数据： 研究结果完全依赖于合成数据集；需要使用真实/半真实数据集进行回测验证。
• 隐私： 虽然原始数据保留在本地，但论文指出，梯度和模型更新需要通过安全聚合和差分隐私进行进一步保护。
• 复杂度： 四专家集成增加了通信开销（参数量为 1.38 倍），可能不适用于计算资源有限或具有近实时延迟要求的客户端。
• 未来方向： 作者提出了以下未来工作方向：(1) 在真实/半真实数据集上进行测试；(2) 强化隐私机制；(3) 自适应专家创建（动态专家数量）；(4) 纳入超越统计误差的经济指标（成本、服务水平）；(5) 对计划人员对可解释性输出的信任度进行以人为本的评估。