DOI: https://doi.org/10.63313/jcsft.9069
تاريخ النشر: 2026-05-11
المؤلف: Zheyu Li وآخرون
الموضوع الرئيسي: تقنيات التنبؤ وتطبيقاتها
نظرة عامة
تقدم الورقة CLASNet، وهو إطار عمل يعتمد على CNN-LSTM-Attention مدرك للحمل المعرفي مصمم لتحسين توقعات الطلب في سلسلة التوريد وتسهيل التفاعل التكيفي بين الإنسان والكمبيوتر. يختلف CLASNet عن نماذج التعلم العميق التقليدية التي تعطي الأولوية للدقة التنبؤية دون مراعاة القيود المعرفية البشرية، حيث يدمج بين توقع الطلب ونمذجة الحمل المعرفي في بنية متكاملة من البداية إلى النهاية. يستخدم هذا الإطار مشفر CNN-LSTM لالتقاط كل من الأنماط الزمنية المحلية والاعتمادات طويلة المدى، إلى جانب مشفر الحمل المعرفي (CLE) الذي يقوم بنمذجة تفاعلات المستخدمين. يقوم آلية دمج الانتباه المدرك للحمل المعرفي (CAAF) بضبط أوزان الانتباه ديناميكيًا بناءً على حالات المستخدمين المعرفية، بينما يقوم طبقة اتخاذ القرار التفاعلي التكيفية (AIDL) بتحسين تعقيد التصورات وكثافة المعلومات.
تظهر التقييمات التجريبية على مجموعة بيانات مدتها ثلاث سنوات من سلسلة توريد التجزئة أن CLASNet يتفوق بشكل كبير على طرق التنبؤ التقليدية، حيث حقق RMSE قدره 14.55، وMAE قدره 9.22، وMAPE قدره 10.9%، مع انخفاض ملحوظ قدره 9.6% في RMSE مقارنة بأفضل خط أساسي. تؤكد دراسات الإزالة الإضافية مساهمات مشفر الحمل المعرفي وآلية الانتباه ووحدة التفاعل التكيفية في الأداء العام. تكشف التقييمات المتمحورة حول المستخدم أن الواجهة المدركة للحمل المعرفي تقلل من وقت إكمال المهام والحمل المعرفي المدرك، مما يبرز إمكانيات الإطار في تحسين كل من الدقة التنبؤية والتعاون بين الإنسان والذكاء الاصطناعي في عمليات اتخاذ القرار. تشمل اتجاهات البحث المستقبلية دمج الإشارات المعرفية متعددة الوسائط وتوسيع تطبيق CLASNet ليشمل سلاسل التوريد متعددة المستويات وسياسات اتخاذ القرار المعتمدة على التعلم المعزز.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على الدور الحاسم لتوقع الطلب بدقة في إدارة سلسلة التوريد، خاصة في ضوء زيادة تقلبات السوق بسبب التغيرات الموسمية، والعروض الترويجية، والاضطرابات الخارجية. غالبًا ما تفشل الطرق الإحصائية التقليدية في التقاط الأنماط الزمنية المعقدة الموجودة في بيانات الطلب. أظهرت التطورات الأخيرة في تقنيات التعلم العميق، مثل الشبكات العصبية التلافيفية (CNNs)، والشبكات ذات الذاكرة القصيرة والطويلة (LSTMs)، وآليات الانتباه، وعدًا في نمذجة العلاقات غير الخطية والاعتمادات بعيدة المدى. ومع ذلك، تميل الدراسات الحالية إلى التركيز فقط على الدقة التنبؤية، متجاهلة الطبيعة التفاعلية لأنظمة التنبؤ التي يتفاعل معها المستخدمون من خلال لوحات المعلومات وواجهات دعم القرار.
لمعالجة التحديات التي تطرحها الحمل المعرفي في اتخاذ القرار، تقدم الورقة CLASNet، وهو إطار عمل مدرك للحمل المعرفي يعتمد على CNN-LSTM-Attention مصمم لتوقع الطلب في سلسلة التوريد والتفاعل التكيفي بين الإنسان والكمبيوتر. يدمج CLASNet توقع الطلب مع الوعي بالحمل المعرفي من خلال استخدام هيكل CNN-LSTM لاستخراج الميزات ومشفر الحمل المعرفي لتقييم حالات المستخدم بناءً على سلوكيات التفاعل. آلية الانتباه المدركة للحمل المعرفي الجديدة تضبط ديناميكيًا أوزان الانتباه، مما يسمح للنظام بتسليط الضوء على الأنماط التاريخية الحرجة بناءً على الظروف المعرفية المتغيرة. تشمل مساهمات الورقة تطوير إطار عمل يقوم بنمذجة ديناميات الطلب جنبًا إلى جنب مع الحالات المعرفية البشرية، واستراتيجية تفاعلية تكيفية لتحسين تقديم المعلومات، وأدلة تجريبية تظهر أن CLASNet يتفوق على نماذج التنبؤ الحالية من حيث الدقة وكفاءة اتخاذ القرار من قبل المستخدمين.
طرق البحث
توضح قسم المنهجية بنية وتنفيذ إطار عمل CLASNet (شبكة سلسلة التوريد المدركة للحمل المعرفي)، الذي يدمج توقع الطلب في سلسلة التوريد مع التفاعل التكيفي بين الإنسان والكمبيوتر. يتضمن CLASNet أربعة وحدات رئيسية: مشفر الحمل المعرفي (CLE)، مشفر ميزات الطلب (DFE)، وحدة دمج الانتباه المدرك للحمل المعرفي (CAAF)، وطبقة اتخاذ القرار التفاعلي التكيفية (AIDL). يهدف هذا التصميم إلى مواءمة توقعات الطلب مع القيود المعرفية البشرية، مما يعزز كل من دقة التنبؤ وكفاءة اتخاذ القرار من خلال استخراج الأنماط الزمنية في بيانات الطلب عبر الشبكات العصبية العميقة.
استخدم الإعداد التجريبي مجموعة بيانات حقيقية من سلسلة توريد التجزئة، مقسمة زمنيًا إلى مجموعات تدريب (70%)، والتحقق (15%)، والاختبار (15%) لتعكس ظروف التنبؤ الواقعية. تم تطبيع ميزات الإدخال، وتم ترميز المتغيرات الفئوية باستخدام الترميز الأحادي. تم تنفيذ CLASNet في PyTorch، باستخدام مُحسِّن آدم بمعدل تعلم قدره 0.001. تضمنت البنية ثلاث مرشحات تلافيفية متوازية بأحجام نواة 3 و5 و7، تليها تفعيل ReLU، بينما استخدمت مكونات LSTM وBi-GRU بُعد حالة مخفية قدرها 128. تم تدريب النموذج لمدة 100 دورة مع إيقاف مبكر بناءً على خسارة التحقق لتقليل الإفراط في التكيف، باستخدام حجم دفعة قدره 64 ومعدل تسرب قدره 0.3 في كل من طبقات CNN-LSTM وطبقات الانتباه لتحسين التعميم. تم تنفيذ جميع التجارب على وحدة معالجة الرسومات NVIDIA RTX 3090.
النتائج
تشير النتائج إلى أن CLASNet، الممثل بالخط السميك المتصل في الجدول 1، يقوم بنمذجة منحنى الطلب الفعلي بشكل فعال من خلال التقاط كل من التقلبات المحلية والاتجاهات طويلة المدى بدقة. يظهر النموذج استجابة لتعديل الانتباه المدرك للحمل المعرفي، محققًا خطأ الجذر التربيعي المتوسط (RMSE) قدره 14.55 وحدة. تؤكد هذه الأداء على دقة CLASNet الفائقة واستقراره في تطبيقات توقع الطلب في العالم الحقيقي.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على دمج الوعي بالحمل المعرفي في توقع الطلب من خلال إطار عمل CLASNet المقترح، الذي يجمع بين CNN-LSTM وآليات الانتباه. تعالج هذه الطريقة قيود طرق التنبؤ التقليدية، التي غالبًا ما تتجاهل العبء المعرفي الذي يواجهه صناع القرار. من خلال دمج بيانات تفاعل المستخدم، يقوم CLASNet بضبط تخصيص الانتباه ديناميكيًا، مما يعزز كل من دقة التنبؤ وفعالية دعم القرار. تشير النتائج التجريبية إلى أن CLASNet يتفوق على النماذج التقليدية، محققًا خطأ الجذر التربيعي المتوسط (RMSE) قدره 14.55، وهو أقل بحوالي 9.6% من أفضل نموذج أساسي.
تؤكد النتائج على أهمية الذكاء الاصطناعي المتمحور حول الإنسان في إدارة سلسلة التوريد، مما يظهر أن نمذجة الحمل المعرفي يمكن أن تحسن بشكل كبير من قابلية الفهم وقابلية الاستخدام في أنظمة التنبؤ. لا تقلل الواجهة التكيفية من الحمل المعرفي فحسب، بل تقصر أيضًا من وقت اتخاذ القرار، مما يعرض الفوائد العملية لدمج الوعي المعرفي في التحليلات المدفوعة بالذكاء الاصطناعي. تشمل اتجاهات البحث المستقبلية دمج الإشارات متعددة الوسائط للحصول على رؤى معرفية أعمق وتوسيع CLASNet ليشمل سيناريوهات سلسلة التوريد الأكثر تعقيدًا، مما قد يعزز من قوته وملاءمته في البيئات الواقعية.
DOI: https://doi.org/10.63313/jcsft.9069
Publication Date: 2026-05-11
Author(s): Zheyu Li et al.
Primary Topic: Forecasting Techniques and Applications
Overview
The paper introduces CLASNet, a Cognitive Load-Aware CNN-LSTM-Attention framework designed for enhancing supply chain demand forecasting and facilitating adaptive human-computer interaction. Distinct from traditional deep learning models that prioritize predictive accuracy without considering human cognitive limitations, CLASNet merges demand prediction with cognitive load modeling in a cohesive end-to-end architecture. This framework employs a CNN-LSTM encoder to capture both local temporal patterns and long-term dependencies, alongside a Cognitive Load Encoder (CLE) that models user interactions. The Cognitive-Aware Attention Fusion (CAAF) mechanism dynamically adjusts attention weights based on users’ cognitive states, while the Adaptive Interaction Decision Layer (AIDL) optimizes the complexity of visualizations and information density.
Empirical evaluations on a three-year dataset from a retail supply chain demonstrate that CLASNet significantly outperforms conventional forecasting methods, achieving an RMSE of 14.55, MAE of 9.22, and MAPE of 10.9%, with a notable 9.6% reduction in RMSE compared to the best baseline. Additional ablation studies confirm the contributions of the cognitive load encoder, attention mechanism, and adaptive interaction module to the overall performance. User-centered assessments reveal that the cognitive-aware interface reduces task completion time and perceived cognitive load, underscoring the framework’s potential to enhance both predictive accuracy and human-AI collaboration in decision-making processes. Future research directions include integrating multimodal cognitive signals and extending CLASNet’s application to multi-echelon supply chains and reinforcement learning-based decision policies.
Introduction
The introduction of this research paper emphasizes the critical role of accurate demand forecasting in supply chain management, particularly in light of increasing market volatility due to seasonal changes, promotions, and external disruptions. Traditional statistical methods often fail to capture the complex temporal patterns inherent in demand data. Recent advancements in deep learning techniques, such as convolutional neural networks (CNNs), long short-term memory networks (LSTMs), and attention mechanisms, have shown promise in modeling nonlinear relationships and long-range dependencies. However, existing studies tend to focus solely on predictive accuracy, neglecting the interactive nature of forecasting systems that users engage with through dashboards and decision-support interfaces.
To address the challenges posed by cognitive load in decision-making, the paper introduces CLASNet, a Cognitive Load-Aware CNN-LSTM-Attention framework designed for supply chain demand forecasting and adaptive human-computer interaction. CLASNet integrates demand prediction with cognitive load awareness by employing a CNN-LSTM backbone for feature extraction and a cognitive load encoder to assess user states based on interaction behaviors. A novel cognitive-aware attention mechanism dynamically adjusts attention weights, allowing the system to highlight critical historical patterns based on varying cognitive conditions. The paper’s contributions include the development of a framework that models demand dynamics alongside human cognitive states, an adaptive interaction strategy to optimize information presentation, and empirical evidence demonstrating that CLASNet outperforms existing forecasting models in both accuracy and user decision-making efficiency.
Methods
The methodology section outlines the architecture and implementation of the CLASNet (Cognitive Load-Aware Supply-chain Network) framework, which integrates supply chain demand forecasting with adaptive human-computer interaction. CLASNet features four primary modules: the Cognitive Load Encoder (CLE), the Demand Feature Encoder (DFE), the Cognitive-Aware Attention Fusion Module (CAAF), and the Adaptive Interaction Decision Layer (AIDL). This design aims to align demand predictions with human cognitive constraints, enhancing both forecasting accuracy and decision-making efficiency through the extraction of temporal patterns in demand data via deep neural networks.
The experimental setup utilized a real-world retail supply chain dataset, partitioned chronologically into training (70%), validation (15%), and test (15%) sets to reflect realistic forecasting conditions. Input features were normalized, and categorical variables were one-hot encoded. CLASNet was implemented in PyTorch, employing the Adam optimizer with a learning rate of 0.001. The architecture included three parallel convolutional filters with kernel sizes of 3, 5, and 7, followed by ReLU activations, while the LSTM and Bi-GRU components utilized a hidden state dimension of 128. The model was trained for 100 epochs with early stopping based on validation loss to mitigate overfitting, using a batch size of 64 and a dropout rate of 0.3 in both CNN-LSTM and attention layers to improve generalization. All experiments were executed on an NVIDIA RTX 3090 GPU.
Results
The results indicate that CLASNet, represented by the solid thick line in Table 1, effectively models the actual demand curve by accurately capturing both local fluctuations and long-term trends. The model demonstrates responsiveness to cognitive-aware attention modulation, achieving a root mean square error (RMSE) of 14.55 units. This performance underscores CLASNet’s superior accuracy and stability in real-world demand forecasting applications.
Discussion
The discussion section of the research paper highlights the integration of cognitive load awareness into demand forecasting through the proposed CLASNet framework, which combines CNN-LSTM and attention mechanisms. This approach addresses the limitations of traditional forecasting methods, which often overlook the cognitive burden faced by decision-makers. By incorporating user interaction data, CLASNet dynamically adjusts attention allocation, enhancing both forecasting accuracy and decision-support effectiveness. The experimental results indicate that CLASNet outperforms conventional models, achieving a root mean squared error (RMSE) of 14.55, which is approximately 9.6% lower than the best baseline model.
The findings underscore the importance of human-centered AI in supply chain management, demonstrating that cognitive load modeling can significantly improve interpretability and usability in forecasting systems. The adaptive interface not only reduces cognitive load but also shortens decision-making time, showcasing the practical benefits of integrating cognitive awareness into AI-driven analytics. Future research directions include the incorporation of multimodal signals for deeper cognitive insights and the extension of CLASNet to more complex supply chain scenarios, potentially enhancing its robustness and applicability in real-world settings.