SupplyGraph

SupplyGraph是由沙贾哈尔科技大学创建的一个针对供应链规划的基准数据集，特别适用于图神经网络的应用。该数据集包含41个节点，来源于孟加拉国一家领先的快速消费品公司，专注于生产目的的供应链规划。数据集包含时间序列数据，用于销售预测、生产规划和工厂问题识别。通过使用此数据集，研究人员可以利用图神经网络解决多种供应链问题，推动供应链分析和规划领域的发展。

SupplyGraph is a benchmark dataset for supply chain planning developed by Shahjalal University of Science and Technology, and it is specifically tailored for graph neural network (GNN) applications. The dataset consists of 41 nodes, sourced from a leading fast-moving consumer goods (FMCG) company in Bangladesh, with a focus on supply chain planning for production purposes. It includes time-series data that supports tasks such as sales forecasting, production planning and factory problem identification. By utilizing this dataset, researchers can leverage graph neural networks to address various supply chain problems, thereby advancing the development of the supply chain analysis and planning field.

搜集汇总

数据集介绍

构建方式

在供应链管理领域，数据集的构建需反映真实网络结构与动态时序特征。SupplyGraph数据集源自孟加拉国一家领先的快速消费品企业的中央数据库，涵盖2023年1月至8月的运营记录。数据经过重组以适配时序图计算框架，其中节点代表具体产品，边则编码产品间的多种关联，如共享产品组、子组、生产设施或存储位置。为确保数据质量，每个节点、边及节点特征均经过人工审查与验证，排除异常值与缺失信息，从而构建出一个包含41个节点、62类边和684条唯一边的基准图结构。

特点

该数据集的核心特点在于其融合了图结构与时序动态的双重属性。节点特征包含生产量、销售订单、分销商交付及工厂问题等四类时序指标，均以单位数量和公吨重量两种度量形式呈现。数据展现出显著的时序波动模式，例如生产曲线因节假日、需求调整等因素呈现剧烈波动，而销售与交付则相对稳定。此外，产品间通过边形成的复杂关联网络，为捕获供应链中的隐藏依赖提供了丰富结构信息，支持从同质图到异质图乃至超图的多层次建模。

使用方法

SupplyGraph适用于多种图神经网络任务，旨在推动供应链分析与规划研究。在需求预测与生产规划中，研究者可利用时序节点特征，结合静态边结构，通过时空图神经网络模型进行联合预测。产品分类任务则可将节点特征视为静态属性，基于边连接关系进行产品组或子组的划分。异常检测可通过对比预测需求与实际数据的偏差，识别供应链中的突发波动。此外，数据集还支持产品关系检测、分类及组合优化等任务，并可通过PyTorch Geometric等库实现模型训练与评估，其中训练测试比例常设为8:2，以验证模型在真实场景中的泛化能力。

背景与挑战

背景概述

在供应链管理领域，图神经网络因其对网络化结构的卓越建模能力而展现出巨大潜力，然而该领域长期缺乏公开的基准数据集以支持相关算法的开发与评估。为填补这一空白，由孟加拉国沙贾拉尔科技大学的研究团队于2024年主导构建了SupplyGraph数据集。该数据集源自孟加拉国一家领先的快速消费品企业的真实运营数据，时间跨度为2023年1月至8月，核心研究聚焦于利用图结构对供应链进行生产规划与需求预测。通过将产品抽象为节点，并依据产品组别、生产设施、仓储位置等复杂关系构建边，该数据集首次为图神经网络在供应链优化、异常检测、关系分类等关键任务上提供了系统性的实证研究基础，对推动供应链分析的范式革新具有里程碑意义。

当前挑战

SupplyGraph数据集致力于解决供应链规划中复杂动态系统的建模挑战，其核心问题在于如何精准预测产品需求、优化生产计划以及识别供应链网络中的隐藏依赖与异常。这些任务因供应链各实体间存在非线性、高维度的时空交互而变得异常困难。在数据集构建过程中，研究者面临多重挑战：其一，数据获取与脱敏的平衡，需从企业核心数据库提取真实时序数据的同时，严格保护商业机密如具体产品名称与公司信息；其二，数据质量与一致性的保障，要求对每个节点、边及特征进行人工核查以处理异常值与缺失信息；其三，图结构定义的复杂性，需合理设计多种边类型以准确刻画产品间在组别、子组、生产设施与仓储位置等多维度的异构关联，从而确保图表征能有效支撑下游机器学习任务。

常用场景

经典使用场景

在供应链管理领域，图神经网络（GNNs）因其能够有效建模复杂网络结构而备受关注。SupplyGraph数据集作为首个专注于供应链规划的公开基准数据集，其经典使用场景在于利用图结构对产品节点及其关联进行建模，以支持时间序列预测任务。具体而言，研究者可将产品视为节点，基于共享的产品组、子组、生产设施或存储位置等关系构建边，进而应用GNN模型进行需求预测和生产规划。这种图表示方法能够捕捉供应链中实体间的依赖关系，为优化决策提供结构化数据基础。

衍生相关工作

SupplyGraph数据集的推出催生了一系列基于图神经网络的供应链研究。例如，研究者利用该数据集开发了用于需求预测的时空GNN模型，如Diffusion Convolutional RNN（DCRNN）和Temporal Graph Convolutional Network（TGCN），这些模型在实验中表现出优于传统时间序列方法的性能。同时，该数据集也促进了异常检测领域的工作，如Graph Deviation Network（GDN）等模型被应用于识别供应链中的波动和故障。这些衍生研究不仅验证了GNN在供应链中的有效性，还为后续的异构图和超图建模提供了参考框架。

数据集最近研究

最新研究方向

在供应链管理领域，图神经网络（GNNs）的应用正成为前沿研究热点，尤其聚焦于利用图结构数据优化预测与决策过程。SupplyGraph数据集的发布填补了该领域缺乏真实世界基准数据的空白，为研究者提供了包含时序节点特征的图数据集，涵盖生产、销售订单、分销交付和工厂问题等多维度信息。当前研究重点围绕基于GNN的时序预测模型，如DCRNN和TGCN，在需求预测和生产规划任务中展现优越性能；同时，异构图和超图建模方法被探索用于捕获供应链中产品、设施和存储位置间的复杂依赖关系，以支持异常检测、产品关系分类和组合优化等应用。这一进展不仅推动了供应链分析的算法创新，也为应对全球供应链中断、提升韧性提供了数据驱动的解决方案，具有显著的实践意义和学术影响。

相关研究论文

• SupplyGraph: A Benchmark Dataset for Supply Chain Planning using Graph Neural Networks

  沙贾哈尔科技大学 · 2024年