EAGLE: 엣지 인지 그래프 학습을 통한 스마트 물류 네트워크의 사전 배송 지연 예측

EAGLE: Edge-Aware Graph Learning for Proactive Delivery Delay Prediction in Smart Logistics Networks

현대 물류 네트워크는 모든 창고 노드와 운송 경로에서 주문 시간, 경로 기록, 배송 명세서 등 풍부한 운영 데이터 스트림을 생성하지만, 배송 지연 예측은 여전히 주로 사후적인 방식으로 이루어집니다. 기존의 예측 방식은 일반적으로 이 문제를 네트워크 토폴로지를 무시하는 테이블 분류 작업 또는 공급망 그래프의 공간적 의존성을 간과하는 시계열 이상 탐지 작업으로 처리합니다. 이러한 격차를 해소하기 위해, 우리는 사전적인 공급망 위험 관리를 위한 하이브리드 딥 러닝 프레임워크를 제안합니다. 제안된 방법은 경량 Transformer 패치 인코더를 사용하여 시간적 주문 흐름 동역학을 모델링하고, Edge-Aware Graph Attention Network (E-GAT)를 사용하여 허브 간의 관계 의존성을 모델링하며, 다중 작업 학습 목표를 통해 최적화됩니다. 실제 DataCo Smart Supply Chain 데이터 세트를 사용하여 평가한 결과, 제안된 프레임워크는 기존 방법보다 일관된 성능 향상을 보였으며, F1 점수는 0.8762, AUC-ROC는 0.9773을 달성했습니다. 네 개의 독립적인 랜덤 시드에서, 프레임워크는 시드 간 F1 표준 편차가 0.0089로, 가장 우수한 요소 제거 변종보다 3.8배 향상된 성능을 보이며, 평가된 모든 모델 중에서 예측 정확도와 학습 안정성의 균형이 가장 뛰어납니다.

Modern logistics networks generate rich operational data streams at every warehouse node and transportation lane -- from order timestamps and routing records to shipping manifests -- yet predicting delivery delays remains predominantly reactive. Existing predictive approaches typically treat this problem either as a tabular classification task, ignoring network topology, or as a time-series anomaly detection task, overlooking the spatial dependencies of the supply chain graph. To bridge this gap, we propose a hybrid deep learning framework for proactive supply chain risk management. The proposed method jointly models temporal order-flow dynamics via a lightweight Transformer patch encoder and inter-hub relational dependencies through an Edge-Aware Graph Attention Network (E-GAT), optimized via a multi-task learning objective. Evaluated on the real-world DataCo Smart Supply Chain dataset, our framework achieves consistent improvements over baseline methods, yielding an F1-score of 0.8762 and an AUC-ROC of 0.9773. Across four independent random seeds, the framework exhibits a cross-seed F1 standard deviation of only 0.0089 -- a 3.8 times improvement over the best ablated variant -- achieving the strongest balance of predictive accuracy and training stability among all evaluated models.