azminetoushikwasi/SupplyGraph

SupplyGraph是一个用于供应链规划的基准数据集，特别适用于图神经网络（GNNs）的应用。该数据集来源于孟加拉国一家领先的快速消费品（FMCG）公司，包含时间序列数据作为节点特征，用于销售预测、生产规划和工厂问题识别。通过使用该数据集，研究人员可以应用GNNs来解决各种供应链问题，从而推动供应链分析和规划领域的发展。

原始信息汇总

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

概述

• 名称: SupplyGraph
• 任务类别: 图机器学习 (Graph-ML)
• 语言: 英语 (en)
• 标签: 金融 (finance), 供应链 (supply chain)
• 数据规模: 小于1K (n<1K)
• 许可证: MIT

作者

• Azmine Toushik Wasi
• MD Shafikul Islam
• Adipto Raihan Akib

所属机构

• Computational Intelligence and Operations Lab - CIOL, SUST

数据集描述

• 来源: 来自孟加拉国一家领先的快速消费品公司。
• 用途: 用于供应链规划中的生产目的。
• 特点: 包含时间数据作为节点特征，用于销售预测、生产规划和工厂问题识别。
• 目标: 通过使用该数据集，研究人员可以利用图神经网络 (GNNs) 解决多种供应链问题，从而推动供应链分析和规划领域的发展。

引用

@inproceedings{supplymap2023wasi, title={SupplyGraph: A Benchmark Dataset for Supply Chain Planning using Graph Neural Networks}, author={Azmine Toushik Wasi and MD Shafikul Islam and Adipto Raihan Akib}, year={2023}, booktitle={4th workshop on Graphs and more Complex structures for Learning and Reasoning, 38th Annual AAAI Conference on Artificial Intelligence}, url={https://github.com/CIOL-SUST/SupplyGraph/}, doi={10.48550/arXiv.2401.15299} }

or, @misc{wasi2024supplygraph, title={SupplyGraph: A Benchmark Dataset for Supply Chain Planning using Graph Neural Networks}, author={Azmine Toushik Wasi and MD Shafikul Islam and Adipto Raihan Akib}, year={2024}, eprint={2401.15299}, archivePrefix={arXiv}, primaryClass={cs.LG} }

搜集汇总

数据集介绍

构建方式

SupplyGraph数据集的构建，是基于一家在孟加拉国领先的快速消费品（FMCG）公司的实际供应链网络数据。该数据集通过采集供应链中的节点（如供应商、工厂、仓库等）及其相互间的连接关系，结合时间序列的节点特征信息，为图神经网络（GNN）模型的训练与评估提供了丰富的实证基础。数据集涵盖了销售预测、生产规划以及工厂问题识别等多个方面的时态信息，旨在助力GNN在供应链规划中的研究与应用。

特点

SupplyGraph数据集的特点在于其真实世界的数据来源，以及针对供应链网络的特定设计。它包含六个同质图任务，为研究人员提供了多样化的研究场景。数据集的时态特性允许模型捕捉供应链中的动态变化，这对于提高预测的准确性和规划的有效性至关重要。此外，该数据集的开放性许可使得研究界可以自由地使用和扩展，进一步推动了供应链分析与规划领域的发展。

使用方法

使用SupplyGraph数据集，研究人员可以通过访问其提供的Kaggle页面或直接从其GitHub存储库中获取数据。数据集的使用涉及加载图结构数据，以及对应的节点特征和时间序列信息。研究人员可以运用这些数据来训练和测试GNN模型，进而评估其在供应链规划任务中的性能。此外，数据集的文档和相关的论文为使用者提供了详尽的指导和基准结果，以便更好地理解和利用该数据集进行学术研究或实际应用。

背景与挑战

背景概述

SupplyGraph数据集，由Azmine Toushik Wasi、MD Shafikul Islam及Adipto Raihan Akib等研究人员于2023年创建，隶属于SUST的计算智能与运营实验室（CIOL）。该数据集旨在填补图神经网络在供应链网络应用领域的研究空白，为供应链计划提供一个真实的基准图数据集。该数据集的构建，不仅丰富了图神经网络在供应链分析及规划领域的应用，也为相关研究提供了重要资源，推动了供应链问题解决的智能化进程。

当前挑战

在构建SupplyGraph数据集的过程中，研究人员面临了多重挑战。首先，供应链网络数据的获取与处理本身就极具复杂性，需要确保数据的质量和准确性。其次，将图神经网络应用于供应链网络是一个新兴领域，缺乏成熟的方法论和工具。此外，数据集在解决供应链问题时，如何有效地利用图结构特性以及时态数据，以实现销售预测、生产计划和生产问题识别等任务，也是当前面临的挑战。

常用场景

经典使用场景

在供应链管理与优化领域，SupplyGraph数据集提供了一个重要的基准，其经典使用场景在于，通过图神经网络(GNNs)的应用，研究人员可以对供应链网络进行建模，以实现对销售预测、生产计划以及工厂问题诊断的智能化。该数据集以其时间序列的节点特征，为时态任务提供了丰富的信息支持，进而助力于提升供应链计划的准确性和效率。

解决学术问题

SupplyGraph数据集解决了长期以来供应链研究中缺乏适用于GNNs的真实世界基准数据集的问题。其不仅提供了研究供应链网络动态特性的可能，而且促进了GNNs在供应链问题解决中的应用研究，对于提高供应链系统的预测能力和优化决策过程具有重要的学术意义。

衍生相关工作

SupplyGraph数据集的发布，催生了一系列相关的研究工作，如针对供应链网络的不同类型问题，开发了专门的GNN架构，以及结合实际业务场景的定制化解决方案。这些衍生的相关工作进一步拓展了GNNs在供应链管理领域的应用边界，推动了该领域的科技进步和产业发展。