Resumen:Las redes logísticas modernas generan abundantes flujos de datos operativos en cada nodo de almacén y ruta de transporte, desde marcas de tiempo de pedidos y registros de ruta hasta manifiestos de envío, pero predecir retrasos en las entregas sigue siendo predominantemente reactivo. Los enfoques predictivos existentes suelen tratar este problema como una tarea de clasificación tabular, ignorando la topología de la red, o como una tarea de detección de anomalías de series temporales, pasando por alto las dependencias espaciales del gráfico de la cadena de suministro. Para cerrar esta brecha, proponemos un marco híbrido de aprendizaje profundo para la gestión proactiva de riesgos de la cadena de suministro. El método propuesto modela conjuntamente la dinámica del flujo de orden temporal a través de un codificador de parche Transformer liviano y dependencias relacionales entre centros a través de una red de atención de gráficos Edge-Aware (E-GAT), optimizada a través de un objetivo de aprendizaje multitarea. Evaluado en el conjunto de datos de DataCo Smart Supply Chain del mundo real, nuestro marco logra mejoras consistentes con respecto a los métodos de referencia, arrojando una puntuación F1 de 0,8762 y un AUC-ROC de 0,9773. En cuatro semillas aleatorias independientes, el marco exhibe una desviación estándar F1 cruzada de solo 0,0089 (una mejora de 3,8 veces con respecto a la mejor variante eliminada), logrando el equilibrio más fuerte entre precisión predictiva y estabilidad de entrenamiento entre todos los modelos evaluados.
Publicado originalmente en export.arxiv.org el 7 de abril de 2026.
Ver fuente original
