New trends in Smart Supply Chain Management : A State-of-the-Art

Abstract

Abstract : Supply chain management relies heavily on accurate forecasting to optimize operations and meet customer demands. Time series forecasting is a critical component of this process, as it involves predicting future trends, demands, and other key factors that impact supply chain decision-making. However, traditional forecasting methods often struggle to capture the complex patterns and dependencies present in supply chain data. This thesis investigates the application of deep learning methods for supply chain management time series forecasting. The intricate patterns and connections present in supply chain data are sometimes difficult to grasp using conventional forecasting techniques. Long Short-Term Memory (LSTM) networks and Recurrent Neural Network (RNN) have demonstrated promising results in properly forecasting demand, sales, and other critical elements. This thesis seeks to offer useful insights into the potential of deep learning in increasing forecasting accuracy and efficiency in supply chain management operations by analyzing the most recent research and developments in the field.***

Résumé : La gestion de la chaîne d’approvisionnement repose fortement sur des prévisions précises afin d’optimiser les opérations et répondre aux demandes des clients. Les prévisions basées sur des séries temporelles sont un élément crucial de ce processus, car elles permettent de prédire les tendances futures, les demandes et autres facteurs clés qui influencent la prise de décision dans la chaîne d’approvisionnement. Cependant, les méthodes de prévision traditionnelles ont souvent du mal à capturer les modèles complexes et les dépendances présentes dans les données de la chaîne d’approvisionnement. Cet article étudie l’application des méthodes d’apprentissage profond pour la prévision des séries temporelles dans la gestion de la chaîne d’approvisionnement. Les modèles complexes et les liens présents dans les données de la chaîne d’approvisionnement sont parfois difficiles à appréhender à l’aide des techniques de prévision classiques. Les réseaux LSTM (mémoire à court terme à long terme) et les réseaux neuronaux récurrents (RNN) ont montré des résultats prometteurs pour la prévision précise de la demande, des ventes et d’autres éléments critiques. Cet article vise à fournir des informations utiles sur le potentiel de l’apprentissage profond pour améliorer la précision et l’efficacité des prévisions dans les opérations de la chaîne d’approvisionnement en analysant les recherches les plus récentes et les développements dans le domaine.