用图神经网络实现供应链网络化需求预测

简介：围绕GNN在供应链管理中的应用，有一份以“理论+代码”方式完整复现前沿论文的资料包，面向希望借助图神经网络改善供应链建模与优化的研究人员、工程师及学生。内容从供应链与图结构的理论联系出发，涵盖多视角真实世界基准数据集、6项供应链分析任务上GNN与传统方法的性能对比（高出10-40%），并给出基于PyTorch Geometric的完整Python实现，包括数据准备、异构图神经网络模型定义、训练与评估函数及主函数，便于读者从零跑通全流程。资源包为单个docx文档，约51KB，包含论文内容概括与可运行代码解释，适合做算法比对、模型设计或课程项目参考。目前已有63人学习，对想快速上手GNN供应链应用的读者具有直接参考价值。

1. 图神经网络在供应链管理中的定位：网络化预测，而不是单点预测

备件仓库的库存预测有个反直觉的现象：单独看某个SKU，时序模型预测得很准，可把上下游放在一起看，需求能被放大好几倍。这不是预测算法的问题，而是SKU之间本来就有补货、替代和共用产线的关联，把它们当成独立时间序列建模，等于把一张网拆成了线。图神经网络（GNNs）在供应链管理里的价值，就是处理这种网络化影响：一个节点的故障沿订单关系扩散，一次促销沿替代关系迁移需求。

这篇文章把一个可运行的供应链需求预测项目拆开讲，覆盖图建模、特征工程、模型选型、训练评估和上线后的验证技巧。读者对象是已经在用XGBoost、LSTM做需求预测、想引入关联信息的算法工程师，以及想评估GNN业务价值的供应链方案架构师。下面不会把供应链图当成抽象概念，每个节点、边、特征最后都会落到可以运行的代码上。

2. 供应链图上的GNN计算：消息传递、异构关系与时间维度

2.1 供应链管理中的“图”是什么

供应链管理里的图不是新概念，ERP里的BOM（物料清单）就是树，订单履行网络天然是图。区别在于，传统ERP把图当作静态配置数据，GNN则把图变成参与计算的载体。我一般这样建图：把参与计划的对象作为节点，把对象之间的协作关系作为边。

节点通常是供应商、工厂、仓库、门店、SKU；边则是采购订单、调拨单、替代关系、共用产线关系。节点和边都不必是同一类型，所以真实供应链图是异构图。落地框架的第一步，是把数据表关系改造成这种结构，而不是在已经做好的特征上套一个GNN模型。数据源头按图组织，后面的注意力、消息传递才有意义。

2.2 消息传递如何对应一次供应链计划周期

GNN的计算基础是消息传递。一个节点的新表示，由它的邻居表示和边特征聚合得到，标准形式可以写成：

h_v^(l+1) = UPDATE( h_v^(l), AGG( { h_u^(l), e_uv | u ∈ N(v) } ) )

供应链里，这个公式对应的是一个计划周期内的信息同步。假设节点v是某区域仓库，它的邻居u包括上游供应商和下游门店，边上挂交付周期和订货量。一次消息传递相当于把这个周期里各方掌握的需求、库存、到货信息交换了一遍。把消息传递堆L层，v的表示就能覆盖L跳邻居。

层数在供应链场景里有明确的业务含义：一层看到直接供应商，两层看到二级供应商或原厂。这也是供应链GNN里层数不能照搬视觉模型的原因——不是越深越好，而是“网络传导到第几级”说了算。

2.3 图类型决定模型选型：同构、异构与时空约束

不同的供应链任务，图的结构不同，适合的GNN模型也不一样。下面这张表是我做选型时的常用参考：

这四类任务对应同一套代码骨架，变的只是输出头和损失函数。实际项目里最常遇到的是第一行“预测未来N周的门店销量”，后面代码也围绕它展开。如果供应链里所有节点都是同一类实体，先用同构图跑通；如果供应商、仓库、门店混在一起，再升级到HeteroData，不同节点类型走不同的特征变换。

2.4 为什么不是ARIMA、XGBoost或普通MLP

ARIMA只看单条时间序列，抓不住跨节点传导；XGBoost能塞入边特征，但对结构做不了归纳；MLP把全部节点摊平，等于假设所有节点之间可以直接互相影响，噪声很大。GNN的不可替代性在于，它把“和谁相邻”变成模型结构的一部分，而不是拼一个特征进去。

这里的边界也要说清楚。GNN不替代整个计划体系，它更擅长做预测，优化部分仍然交给线性规划或启发式算法。常见做法是：GNN先给出带图结构感知的需求预测，再把预测分位数作为安全库存参数，送进优化器求解补货策略。这样等于在“预测-优化”链路里，把预测环节从单点换成了网络化。

3. 供应链GNN技术框架：任务定义、特征工程与模型骨架

3.1 先选任务：回归、链路预测还是图分类

动手写模型之前，先确定学习目标。需求预测是节点回归，输出连续销量；供应商风险是边或边的子图分类，输出风险概率。损失函数由任务决定：回归用MAE或Huber，分类用交叉熵。不建议第一版就做多任务，多任务要同时维护多个标签和梯度平衡，排障成本高。

我一般建议从需求预测起步，原因是需求预测的标签在业务系统里现成，验证周期短。跑通之后再扩展供应商风险这类任务，只需要换数据集、输出头和损失函数。

3.2 一张表理清节点特征、边特征和全局特征

特征工程是供应链GNN里最影响效果的部分。下面这张表是需求预测场景里的最小特征集：

这里最容易踩的坑是数据泄漏。假设用整段历史计算均值再做归一化，验证集和测试集的数据分布就会被训练集“剧透”，线下指标虚高，上线立刻回落。正确做法是只用在某个时间点之前的数据计算统计量，或者用滑窗方式，保证每一步的特征只包含“当时已经知道的信息”。

3.3 建图：把订单流水变成PyG的Data对象

下面这段代码把订单流水抽象成torch_geometric.data.Data，是整套框架里最核心的封装函数：

import torch from torch_geometric.data import Data def build_supply_graph(node_feats, edges, edge_feats, bidirectional=True): # node_feats: [N, F]，N个节点，F维特征 # edges: [[src, dst], ...]，每条边代表一次补货或调拨关系 src = [e[0] for e in edges] dst = [e[1] for e in edges] if bidirectional: # 同时保留上下游方向，让消息既向上游也向下游传播 edge_index = torch.tensor( [src + dst, dst + src], dtype=torch.long ) edge_attr = torch.cat([edge_feats, edge_feats], dim=0) else: edge_index = torch.tensor([src, dst], dtype=torch.long) edge_attr = edge_feats data = Data(x=node_feats, edge_index=edge_index, edge_attr=edge_attr) return data

这段代码有两点要解释。第一，edge_index的形状必须是[2, E]，第一行是源节点，第二行是目标节点。第二，双向边在这里是刻意的：仓库既受上游到货影响，也受下游订单影响，只保留原始订单方向会漏掉上游信息。如果业务上有明确的因果关系，比如“只能从供应商传到仓库”，再改成单向。

3.4 模型骨架：GAT层加残差连接

模型结构我常用两层GAT加BatchNorm，输出层用全连接。为什么选GAT而不是GCN？因为GAT的注意力机制会在每个节点上动态计算邻居权重，正好对应当地业务里“这个节点该重点看哪几个供应商”的直觉。GCN的聚合权重是归一化后固定的，灵活性更差。

先看整体配置：

model_cfg = { "in_dim": 12, "hidden": 32, "out_dim": 1, "heads": 4, "dropout": 0.2, "num_layers": 2, "lr": 0.002, "train_weeks": 40, }

这里heads=4表示多头注意力，每一头学习一种关系模式；num_layers=2对应两层消息传递，正好覆盖二级供应商；dropout=0.2用来压制过拟合。in_dim要和节点特征维度一致，如果后面加特征，这里要同步改。

4. 用PyTorch Geometric在供应链图上跑通需求预测

4.1 构造按周更新的供应链图快照

真实需求预测是按周滚动训练的，图结构短期内不变，但节点特征和标签每周更新。下面用一个模拟数据集实现这个过程：

import torch import torch.nn as nn import torch.nn.functional as F from torch_geometric.data import Data class SupplySnapshotDataset: """按周生成供应链图快照：图结构共享，节点特征和标签随时间更新。""" def __init__(self, weeks=60, n_nodes=64, n_edges=96): self.weeks = weeks self.n_nodes = n_nodes # 订单流向关系，真实场景由订单表构造 self.edge_index = torch.randint(0, n_nodes, (2, n_edges)) # 特征列含义： # [0:8] 近8周销量，[8] 当前库存，[9] 在途量， # [10] 缺货率，[11] 价格指数 self.x = torch.randn(weeks, n_nodes, 12) # 标签：未来4周销量，用特征线性组合加噪声模拟 self.y = torch.stack( [ 3.0 * self.x[t][:, :8].mean(dim=1) + 0.2 * self.x[t][:, 8] + torch.randn(n_nodes) * 2.0 for t in range(weeks) ], dim=0, ).unsqueeze(-1) # [weeks, n_nodes, 1] def __getitem__(self, t): data = Data( x=self.x[t], edge_index=self.edge_index, y=self.y[t], ) data.time = torch.tensor(t, dtype=torch.long) return data def __len__(self): return self.weeks dataset = SupplySnapshotDataset()

这里的代码把60个星期拆成60个图快照，每个快照里64个节点、96条边。__getitem__(t)取出第t周的状态，供训练循环逐周消费。真实项目里，替换self.x和self.y为数据库查询结果即可，图结构从订单表聚合得到。

4.2 两层GAT需求预测模型

模型定义里加了BatchNorm和残差，目的是让深层节点表示更稳定：

from torch_geometric.nn import GATConv class SupplyDemandGNN(nn.Module): def __init__(self, in_dim=12, hidden=32, out_dim=1, heads=4, dropout=0.2): super().__init__() self.conv1 = GATConv(in_dim, hidden, heads=heads, concat=False, dropout=dropout) self.bn1 = nn.BatchNorm1d(hidden) self.conv2 = GATConv(hidden, hidden, heads=heads, concat=False, dropout=dropout) self.bn2 = nn.BatchNorm1d(hidden) self.head = nn.Sequential( nn.Linear(hidden, hidden), nn.ReLU(), nn.Dropout(dropout), nn.Linear(hidden, out_dim), ) def forward(self, x, edge_index): h = F.relu(self.bn1(self.conv1(x, edge_index))) h = F.relu(self.bn2(self.conv2(h, edge_index))) return self.head(h).squeeze(-1) model = SupplyDemandGNN( in_dim=dataset.x.shape[-1], hidden=32, out_dim=1, heads=4, dropout=0.2 )

GATConv的concat=False表示多头注意力输出的向量直接相加而不是拼接，这样hidden维度不会被heads放大，模型参数更少，小数据集上不容易过拟合。BatchNorm放在卷积层后面，作用是对聚合后的节点表示做规范化，避免某些节点的特征量纲差异过大。squeeze(-1)把输出从[N, 1]压成[N]，方便直接和标签计算损失。

一些常用超参数范围可以参考这张表：

4.3 按时间切分数据集，而不是按节点切分

需求预测的评估必须按时间切分，否则会出现明显的特征泄漏。下面把前40周作训练，中间10周验证，最后10周测试：

def run_training(dataset, model, epochs=80, lr=2e-3, patience=15): optimizer = torch.optim.Adam(model.parameters(), lr=lr) sched = torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, patience=5) best_val = float("inf") wait = 0 for epoch in range(epochs): model.train() train_loss = 0.0 for t in range(0, 40): # 训练快照：前40周 optimizer.zero_grad() pred = model(dataset[t].x, dataset[t].edge_index) loss = F.mse_loss(pred, dataset[t].y.squeeze(-1)) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0) optimizer.step() train_loss += loss.item() model.eval() with torch.no_grad(): val_losses = [] for t in range(40, 50): # 验证快照：第41周到第50周 pred = model(dataset[t].x, dataset[t].edge_index) val_losses.append( F.l1_loss(pred, dataset[t].y.squeeze(-1)).item() ) val_mae = sum(val_losses) / len(val_losses) sched.step(val_mae) if val_mae < best_val - 1e-4: best_val = val_mae wait = 0 torch.save(model.state_dict(), "best_supply_gnn.pt") else: wait += 1 if wait >= patience: break return best_val best_val = run_training(dataset, model)

训练循环里每个时间步是一个图快照，模型在每周状态上做一次全图前向和反向。clip_grad_norm_(1.0)限制梯度范数，避免个别快照的异常值把参数带偏。ReduceLROnPlateau在验证MAE停滞时把学习率降一半，通常比固定学习率稳定。早停条件设在15个epoch，小数据集上够用。

4.4 评估：MAE之外还要看偏差方向

供应链需求预测里，RMSE只告诉你误差大小，不告诉你预测是偏高还是偏低。偏低会导致缺货，偏高会导致库存积压，业务代价完全不同。所以除了MAE和RMSE，还要算一个bias指标，平均误差的符号能直接反映系统性的高估或低估：

model.load_state_dict(torch.load("best_supply_gnn.pt")) model.eval() with torch.no_grad(): mae, rmse, bias = 0.0, 0.0, 0.0 for t in range(50, 60): # 测试快照：最后10周 pred = model(dataset[t].x, dataset[t].edge_index) y = dataset[t].y.squeeze(-1) diff = pred - y mae += F.l1_loss(pred, y).item() rmse += F.mse_loss(pred, y).sqrt().item() bias += diff.mean().item() print(f"MAE={mae / 10:.3f}, RMSE={rmse / 10:.3f}, BIAS={bias / 10:.3f}")

BIAS接近0说明预测没有系统性偏差；正数表示整体高估，容易产生滞销库存。在模拟数据上这三个值可能都偏大，原因是用随机噪声生成标签、本身可预测性有限，业务系统的真实数据会有更强的结构和周期性。评估只看一次测试集不够，建议跑3到5个随机种子，取均值和标准差再下结论。

5. 供应链GNN上线前要处理的三件事：动态图、冷启动与可解释性

5.1 动态供应链：滑窗重训练优先于复杂时间GNN

多数公司数据更新节奏是每天或每周批量落表。起步阶段不建议直接上TGAT、EvolveGCN这类时间GNN，它们要维护时间编码和权重更新器，排障成本高。更稳妥的做法是滑窗重训练：每4周用最近26周数据重训一次，同时把“周序号、是否促销、季节指数”拼进节点特征。只有当预测效果明显受长周期依赖拖累时，再考虑引入时间维度的GNN。

5.2 冷启动：新SKU和门店没有历史特征怎么办

新SKU没有历史销量，但一定有关系：它挂在某个品类下，可能共用产线，或者和现有SKU有替代关系。解法是让GNN的邻居聚合在预测时自然生效。节点特征里历史销量填0或品类均值，边的存在会让模型通过邻居补充信息。想在冷启动上进一步，可以做元学习训练一批模拟任务，让模型学会“只看少量样本也能提取模式”，但工程上先确保边关系完整，收益更直接。

5.3 可解释性验证：GNNExplainer加扰动测试

GNNExplainer可以给出每个节点和边的重要性，但生产环境里我更喜欢先用扰动测试做快速验证。做法是把测试集里重要边删除一部分，看预测误差是否显著上升。如果删边前后误差几乎没有变化，说明模型并没有真正利用图结构，大概率退化成了MLP。

with torch.no_grad(): base_mae = evaluate(model, dataset, range(50, 60)) # 随机删除一半边后重新评估 edge_index = dataset.edge_index.clone() keep = torch.randperm(edge_index.size(1))[: edge_index.size(1) // 2] perturbed_index = edge_index[:, keep] perturb_mae = evaluate_with_edges(model, dataset, perturbed_index, range(50, 60)) print(f"原始MAE={base_mae:.3f}, 删边后MAE={perturb_mae:.3f}")

5.4 参数优化：从层数、学习率到边方向检查

最后给一组实操建议。层数先固定在2到3层，超过3层在中小规模供应链图上容易过平滑；学习率从2e-3起步，配合ReduceLROnPlateau比反复手调更省时间；全图训练时可不用batch，节点量超过10万再考虑ClusterLoader。在动模型参数之前，先确认边方向和缺失值填充方式，这两个因素对供应链GNN的影响比学习率大得多。

本文还有配套的精品资源，点击获取