Deep Learning trifft Integer Linear Programming: Lieferkettenplanung neu definiert

In einer wegweisenden Studie wird ein dreistufiges Analysemodell vorgestellt, das Deep‑Learning‑Vorhersagen mit Integer‑Linear‑Programming (ILP) verknüpft, um die Planung von Lieferketten präziser und effizienter zu gestalten.

Der Ansatz beginnt mit einer explorativen Datenanalyse, bei der 180.519 Transaktionsdaten aufgeteilt und langfristige Trends, saisonale Muster sowie versandbezogene Attribute untersucht werden. Diese gründliche Aufbereitung bildet die Basis für die anschließende Prognosephase.

Zur Vorhersage werden die modernen Deep‑Learning‑Modelle N‑BEATS und N‑HiTS eingesetzt und gegen ein statistisches Zeitreihenmodell (MSTL) verglichen. Beide Deep‑Learning‑Ansätze übertreffen das Benchmark-Modell deutlich; N‑BEATS erzielt dabei die niedrigste Fehlerquote und wird als optimaler Vorhersagemodell ausgewählt.

Die prognostizierten Werte der nächsten vier Wochen werden anschließend als deterministische Eingaben in ein ILP eingebunden, das die Lieferzeit unter Berücksichtigung von Budget‑, Kapazitäts‑ und Serviceregelungen minimiert. Das Ergebnis ist ein praktikabler, kostenoptimierter Versandplan, der sowohl realistisch als auch leicht interpretierbar ist.

Die Arbeit demonstriert eindrucksvoll, wie präzise Vorhersagen in Kombination mit klaren Optimierungsregeln zu greifbaren Verbesserungen in der Lieferkettenlogistik führen können – ein Ansatz, der in der Praxis sofort umsetzbar ist.