ISOMORPH

ISOMORPH是一个多级物流网络的数字孪生系统，用于模拟、合成数据集生成和预测基准测试。发布的数据集包括基线配置（C=50和C=200物品目录）、混合场景滚动（27个场景在C=50下）以及参数不确定性管道（K=20拉丁超立方样本）。数据集包含每日记录、运输记录、库存历史、需求信号等文件，覆盖时间步长为52,560天（一天一步），使用种子2025生成。

ISOMORPH is a digital twin system for multi-level logistics networks, designed for simulation, synthetic dataset generation and predictive benchmarking. The released dataset includes baseline configurations with item catalogs of C=50 and C=200, mixed scenario rollouts (27 scenarios under C=50), and a parameter uncertainty pipeline with K=20 Latin Hypercube samples. The dataset contains files such as daily records, transportation records, inventory histories and demand signals, covering 52,560 time steps (one step per day), and was generated using the random seed 2025.

原始信息汇总

好的，这是对ISOMORPH数据集详情页面的关键信息总结。

ISOMORPH：供应链数字孪生数据集

数据集概述

ISOMORPH是一个用于供应链仿真的数字孪生平台，旨在生成多级物流网络的模拟数据，并提供一个零样本的基础模型评估框架。该数据集随一篇提交至NeurIPS 2026评估与数据集轨道的论文发布。

数据集的组成部分

该发布包含四个核心部分：

1. 模拟器：生成所有数据集的仿真代码 (simulator/ 目录)。
2. 评估工具：为4个时间序列基础模型（Chronos, Moirai, TimesFM, Lag-Llama）提供滚动原点推理和指标计算脚本 (eval/ 目录)。
3. 不确定性量化：用于正向不确定性量化实验的拉丁超立方体参数不确定性管线 (uq/ 目录)。
4. 验证与可视化：用于生成论文中图表和验证结果的脚本 (analysis/ 目录)。

数据格式与约定

• 仿真步长：1步等于1天。
• 时间跨度：所有发布的数据集时间跨度为 ( T = 52,560 ) 步（约144年）。
• 随机种子：所有运行均使用种子 2025。
• 数据文件：每个仿真运行会生成多个CSV文件（如每日记录、库存历史、运输记录等）、NPY文件（需求信号）和JSON配置文件（仿真参数）。

数据集组成

数据存储于 data/ 目录下，包含以下子集：

• 基准数据集：
  • output_item50/: 包含50个商品类别的基准仿真数据。
  • output_item200/: 包含200个商品类别的基准仿真数据。
• 情景扫描数据集：output_mixture/<scenario>/，针对6种不同情景（Drift, Shock, Burst, Edge cap, Buffer, Lead time）进行的参数扫描仿真。每个情景包含5个不同的参数设置，共27个情景（包含2个复合情景）。
• 不确定性量化数据集：output_uq/，包含20组基于拉丁超立方采样（LHS）的需求侧参数扰动仿真数据。

使用方法

1. 生成基准数据集：使用 Supplychaingeo_item50.py 和 Supplychaingeo_item200.py 脚本。
2. 生成情景扫描数据集：使用 Supplychaingeo_item50.py 脚本，并通过命令行参数覆盖对应情景的仿真参数。
3. 零样本基础模型评估：使用 eval/ 目录下的对应模型驱动脚本（如 chronos_run.py），并指定模型ID（如 amazon/chronos-t5-base）和数据集路径。评估指标包括MAE、RMSE以及在H=30、H=60和H=90预测步长下的GIFT-Eval风格MASE。
4. 不确定性量化：先运行 uq/sample_lhs.py 生成参数配置，然后为每个配置运行仿真和评估，最后使用 plot_uq_envelope.py 绘制预测包络线图。
5. 生成论文图表：运行 analysis/ 目录下的相应脚本，可生成牛鞭效应分析、基线数据总览和情景族谱图。

环境要求

• Python 3.12, PyTorch with CUDA。
• 单张NVIDIA RTX 2080 Ti即可完成论文中的最长运行（Lag-Llama模型在 ( L=512 ) 下，每个数据集运行时间不超过5小时）。

许可协议

• 代码：MIT许可证。
• 生成的数据集和图表：CC-BY-4.0许可证。

搜集汇总

数据集介绍

构建方式

ISOMORPH数据集依托于一个多级物流网络的数字孪生模拟器构建而成。该模拟器以日为单位步长，生成长达52560天的时间序列数据，涵盖库存、订单积压、在途物资及需求信号等核心运营指标。数据集包含两种规模——50和200种商品目录，并引入拉丁超立方采样技术，在自回归参数、需求冲击强度等维度上进行参数不确定性扰动，最终生成涵盖基线场景、六类单因素扫描场景及复合混沌场景的多样化数据集。

特点

该数据集的核心特征在于其内嵌的供应链数字孪生架构，能够忠实刻画多层级网络中的牛鞭效应与库存动态。数据提供了多通道、长视野的时间序列记录，支持对需求漂移、突发冲击、产能瓶颈和前置时间变化等现实供应链扰动机制的精细化建模。此外，数据集与零样本基础模型评估框架深度耦合，便于在统一基准下对比不同时序预测模型的泛化性能。

使用方法

使用者可通过运行模拟器脚本直接生成定制数据集，或直接利用仓库附带的数据文件开展研究。数据加载过程依托于统一的接口函数，支持按指定时间窗口进行滚动预测评估。数据集与Chronos、Moirai、TimesFM和Lag-Llama四种前沿基础模型的无缝衔接，允许通过简单的命令行参数配置即可完成零样本推理与性能度量计算，极大降低了供应链时序预测研究的准入门槛。

背景与挑战

背景概述

ISOMORPH是由研究团队为NeurIPS 2026评估与数据集赛道开发的多层级物流网络数字孪生系统，该数据集于2025年发布。其核心研究问题聚焦于构建一个可模拟复杂供应链动态的仿真框架，并生成高保真时间序列数据，以支持零样本基础模型在供应链预测领域的性能评估。通过涵盖50至200种物料目录的基线配置、27种场景展开以及不确定性量化模块，ISOMORPH为物流网络中的需求波动、库存管理与运输瓶颈研究提供了标准化基准。该工作融合了数字孪生与生成式AI范式，显著推动了供应链领域从传统统计建模向基础模型驱动的预测方法转型，在神经符号系统与运筹学交叉领域具有里程碑意义。

当前挑战

ISOMORPH所解决的领域问题具有高度复杂性：供应链网络呈现多层级、多变量耦合特征，传统时序模型难以捕捉长程依赖、需求突变与级联失效等非平稳行为。构建过程中面临三重挑战：其一，需设计可参数化调优的仿真引擎，在保持物流拓扑真实性的同时支持50-200种产品的因果关联建模；其二，需生成涵盖漂移、冲击、突发与产能限制等27种场景的多样化数据，确保基础模型在零样本条件下的鲁棒性验证；其三，需构建拉丁超立方不确定性采样管道，量化需求参数与供给参数扰动对预测区间的影响，这对计算资源的消耗与实验可复现性提出了严苛要求。

常用场景

经典使用场景

ISOMORPH数据集为多层级供应链网络的数字孪生体，其经典使用场景聚焦于时序预测基础模型的零样本评估。通过模拟包含50或200个物料的复杂供应链拓扑，生成跨越52,560个时间步的长周期多变量时间序列数据，涵盖需求信号、库存水平、积压订单及运输动态等关键指标。研究者可借助该平台，在标准化的滚动预测框架下，系统性地评估Chronos、Moirai、TimesFM等前沿时序基础模型的泛化能力，尤其关注其在未见过的供应链扰动场景下的预测稳健性。这种基于数字孪生的评估范式，为供应链时序预测领域提供了兼具可控性与生态效度的基准测试环境。

实际应用

在实际产业层面，ISOMORPH为供应链管理决策的数字化升级提供了关键支撑。企业可借助其数字孪生架构，在虚拟环境中模拟需求突变、供应中断或运输延迟等极端情景，进而优化库存配置策略与订单履行路径。该数据集生成的多层级物流网络仿真数据，尤其适用于智能仓储系统的动态调度算法开发，以及零售分销网络中的需求预测模型部署。通过将时序基础模型的零样本预测能力引入实际业务场景，企业能够以较低计算成本快速获得跨类别、跨节点的精准需求预估，从而有效缓解牛鞭效应带来的资源浪费问题。

衍生相关工作

ISOMORPH的发布催生了多个富有影响力的延伸研究方向。一方面，其标准化的仿真框架激励研究者开发针对供应链场景的专用时序预测模型，例如将图神经网络与循环架构融合以捕捉网络拓扑中的传播动力学特征。另一方面，该数据集的不确定性量化管道启发了贝叶斯深度学习在时序预测中的应用探索，推动形成关注预测可靠性的新评估范式。此外，基于其多情景扰动机制，衍生出针对供应链韧性量化的比较研究，以及将因果推断与预测模型结合的因果时序分析工作，这些成果共同拓展了时序基础模型在运营管理领域的应用边界。