НАУКОВО-МЕТОДИЧНИЙ ПІДХІД ДО ОПТИМІЗАЦІЇ УПРАВЛІННЯ ЛАНЦЮГАМИ ПОСТАЧАННЯ ІЗ ЗАСТОСУВАННЯМ МОДЕЛЕЙ ШТУЧНОГО ІНТЕЛЕКТУ
DOI:
https://doi.org/10.30838/EP.206.10-16Ключові слова:
управління логістичними системами, оптимізація, штучний інтелект, прогнозування попиту, логістичні системи, ланцюги постачання машинне навчання, глибинне навчання, нейронні мережі, гібридні моделі, холодовий ланцюг, LSTM, CNN, інтелектуальне моделювання, цифрова трансформація, прийняття управлінських рішеньАнотація
У цій статті досліджується застосування методів штучного інтелекту (ШІ) для прогнозування попиту в логістичних системах. Розглянуто основні підходи, включаючи машинне навчання, нейронні мережі та аналіз часових рядів. Проведено огляд актуальної літератури (2019–2025 рр.), який висвітлює сучасні тенденції та виклики у цій галузі. Аналітична частина включає порівняння ефективності різних моделей ШІ на основі їх точності та обчислювальної складності. Розроблено експериментальну гібридну архітектуру LSTM‑CNN з механізмом уваги й зовнішніми факторами (погода, календарні події), а також виконано порівняльний аналіз із базовими моделями ARIMA, Prophet та Gradient Boosting. Результати на відкритому наборі даних M5 Forecast та виробничих даних холодового ланцюга показали зниження sMAPE на 18 % і MAE – на 22 % порівняно з класичними підходами. Запропоновано методологію прогнозування попиту з використанням комбінації рекурентних нейронних мереж (RNN) та алгоритмів градієнтного бустингу. Отримані висновки підтверджують доцільність інтеграції ШІ‑рішень у логістичні системи для оптимізації логістичних процесів та окреслюють напрями подальших досліджень, зокрема застосування графових нейронних мереж і пояснюваного ШІ.
Посилання
Chopra, S., & Meindl, P. (2002). Supply Chain Management: Strategy, Planning, and Operation. URL: https://link.springer.com/chapter/10.1007/978-3-8349-9320-5_22
Christopher, M. (2016). Logistics and Supply Chain Management. URL: https://share.google/Z3O1ESDIqk2aevDsy
Stadtler, H. & Kilger, C. (2008). Supply chain management and advanced planning: Concepts, models, software and case studies DOI: https://doi.org/10.1007/978-3-540-74512-9 ISBN 9783540745112.
Hyndman, R.J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice. 3rd ed. OTexts, 432 p. URL: https://otexts.com/fpp3/
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2022). The M5 Accuracy Competition: Results, findings, and conclusions. International Journal of Forecasting, Vol. 38. Iss. 4. Pp. 1349–1364. DOI: https://doi.org/10.1016/j.ijforecast.2021.11.013
Zhang, G., Eddy Patuwo, B., & Hu, M.Y. (1998). Forecasting with Artificial Neural Networks: The state of the art. International Journal of Forecasting, Vol. 14. Iss. 1. Pp. 35–62. DOI: https://doi.org/10.1016/S0169-2070(97)00044-7
Bandara, K., Bergmeir, C., & Smyl, S. (2021). Forecasting Across Time Series Databases using Recurrent Neural Networks on Groups of Similar Series: A Clustering Approach. Expert Systems with Applications, Vol. 140. Article 112896. DOI: https://doi.org/10.1016/j.eswa.2019.112896
Syntetos, A.A., Boylan, J.E., & Disney, S.M. (2009). Forecasting for inventory planning: A 50-year review. Journal of the Operational Research Society, 60(S1). Pp. 149–160. DOI: https://doi.org/10.1057/jors.2008.173
Saha, R., Rahman, M., & Islam, M. (2024). Systematic Literature Review on Artificial Intelligence Applications in Supply Chain Demand Forecasting. Academic Journal on Business Administration Innovation & Sustainability, Vol. 4. No. 4. Pp. 109–127. URL: https://surl.li/iiglum
Molnar, C. (2023). Interpretable Machine Learning: A Guide for Making Black Box Models Explainable. URL: https://share.google/TvzAhMAPoBqAiYqTQ
Kapadia, S. (2025). AI is slowly transforming the cold chain, the supply chain that handles your ice cream and deli meat. Business Insider. URL: https://surl.li/ouajdn
Ivanov, D., & Dolgui, A. (2020). A digital supply chain twin for managing the disruption risks and resilience in the era of Industry 4.0. Production Planning & Control. Vol. 32. No. 9. Pp. 775–788. DOI: https://doi.org/10.1080/09537287.2020.1768450
Baryannis, G., Dani, S., & Antoniou, G. (2019). Predictive analytics and artificial intelligence in supply chain management : Review and implications for the future. Computers & Industrial Engineering, Vol. 137. Article 106024.
Wang, Y., Gunasekaran, A., & Ngai, E.W.T. (2016). Distribution network design with big data: model and analysis. Annals of Operations Research, No. 270(1). Pp. 539-551. DOI: https://doi.org/10.1007/s10479-016-2263-8
Monostori, L. (2018). Cyber-Physical Production Systems: Roots, Expectations and R&D Challenges. Procedia CIRP, Vol. 67. Pp. 9–13. DOI6 https://doi.org/10.1016/j.procir.2014.03.115
Sunil Kumar Jauhar, Susmitha Harinath, Venkataraghavan Krishnaswamy & Sanjoy Kumar Paul (2024). Explainable artificial intelligence to improve the resilience of perishable product supply chains by leveraging customer characteristics. Annals of Operations Research. DOI: https://doi.org/DOI:10.1007/s10479-024-06348-z
Kosasih, E.E., Sutrisno, A., & Rahmawati, L. (2024). A review of explainable artificial intelligence in supply chain management using neurosymbolic approaches. International Journal of Production Research, Vol. 62. No. 4. Pp. 1510–1540. DOI: https://doi.org/10.1080/00207543.2023.2281663
Mian Usman Sattar, Mian Usman Sattar, Vishal Dattana, Raza Hasan etc. (2025). Enhancing Supply Chain Management: A Comparative Study of Machine Learning Techniques with Cost–Accuracy and ESG-Based Evaluation for Forecasting and Risk Mitigation. Sustainability, Vol. 17. No. 13. Article 5772. DOI: https://doi.org/10.3390/su17135772
