Neues Deep‑Learning‑Modell vorhersagt Lieferverzögerungen präziser als je zuvor

In einer wegweisenden Studie aus dem Bereich Smart Logistics präsentiert das Team von EAGLE ein hybrides Deep‑Learning‑Framework, das Lieferverzögerungen in Echtzeit vorhersagen kann. Das Modell kombiniert einen leichten Transformer‑Patch‑Encoder zur Analyse von zeitlichen Auftragsflüssen mit einer Edge‑Aware Graph Attention Network (E‑GAT), die die räumlichen Abhängigkeiten zwischen Lagern und Transportwegen berücksichtigt.

Während bisherige Ansätze entweder als tabellarische Klassifikation die Netzwerkstruktur ignorierten oder als Zeitreihen‑Anomalieerkennung die räumlichen Zusammenhänge vernachlässigten, schafft EAGLE eine Brücke zwischen beiden Perspektiven. Durch ein Multi‑Task‑Learning‑Objective werden sowohl die zeitlichen als auch die graphbasierten Merkmale gleichzeitig optimiert, was die Vorhersagekraft deutlich steigert.

Die Evaluierung auf dem realen DataCo Smart Supply Chain‑Datensatz liefert beeindruckende Ergebnisse: ein F1‑Score von 0,8762 und ein AUC‑ROC von 0,9773. Darüber hinaus zeigt das Modell eine außergewöhnliche Stabilität – die Standardabweichung des F1‑Scores über vier unabhängige Zufalls­initialisierungen beträgt lediglich 0,0089, was einer 3,8‑fachen Verbesserung gegenüber der besten abgeleiteten Variante entspricht. Damit bietet EAGLE die bislang beste Balance zwischen Genauigkeit und Trainingsstabilität in der Lieferketten‑Verzögerungsprognose.