DOI: https://doi.org/10.22581/0407
تاريخ النشر: 2026-01-01
المؤلف: Muhammad Zubair وآخرون
الموضوع الرئيسي: تقنيات التنبؤ وتطبيقاتها
نظرة عامة
تقدم البحث نظام إدارة مخزون ذكي مبتكر يعالج عدم الكفاءة في الطرق التقليدية من خلال تقدمين رئيسيين: نظام المسح A-LIQ (ماسح الليزر المتقدم QR) ونموذج التنبؤ PackMLP. يعزز نظام A-LIQ دقة مسح رمز الاستجابة السريعة إلى أكثر من 99.2% مع زمن تأخير أقل من 0.9 ثانية، حتى في الظروف الصعبة، من خلال دمج المستشعرات الحركية والتعديلات البصرية. في الوقت نفسه، يعد PackMLP نموذج تعلم عميق خفيف الوزن وغير معتمد على الانتباه يستخدم تضمين رقع متعددة المقاييس وتحليل الاتجاهات المتبقية للتنبؤ بأنماط المبيعات المستقبلية بشكل فعال. يتفوق على النماذج الحالية الرائدة في مجموعة بيانات Walmart M5، محققًا خطأ لوغاريتمي متوسط مرجح مُنظم (NWRMSLE) قدره 0.0811، وخطأ مطلق متوسط (MAE) قدره 0.358، وخطأ نسبي مطلق متوسط (MAPE) قدره 14.6%، مع الحفاظ على زمن استدلال سريع يبلغ حوالي 12.2 مللي ثانية/عينة.
في التطبيقات العملية، أظهر النظام تحسينات كبيرة مقارنة بإدارة المخزون التقليدية، بما في ذلك زيادة بنسبة 4.4% في دقة المخزون، وتقليص بنسبة 25% في نفاد المخزون، وانخفاض بنسبة 15% في تكاليف التخزين. يعزز التصميم المعياري والواجهة المعتمدة على الويب من قابلية الاستخدام والجدوى الاقتصادية، مما يجعله بديلاً عمليًا للحلول المؤسسية الأثقل. بينما النتائج واعدة، يعترف المؤلفون بالقيود، مثل الاعتماد على مجموعة بيانات Walmart M5 للتحقق، ويخططون لتوسيع أبحاثهم لتشمل مجموعات بيانات أخرى وتطوير مصنف مخصص لتصنيف حالة المخزون لتعزيز قدرات النظام بشكل أكبر.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الطلب المتزايد على عمليات المستودعات الفعالة، المدفوعة بالتقدم في تقنيات الأتمتة، وخاصة الذكاء الاصطناعي (AI) وتعلم الآلة (ML). من المتوقع أن ينمو سوق الإنتاج الآلي بشكل كبير، من 19.23 مليار دولار في 2023 إلى 95.45 مليار دولار بحلول 2034، ويرجع ذلك إلى حد كبير إلى دمج الذكاء الاصطناعي وتعلم الآلة في عمليات سلسلة التوريد. تعتبر طرق إدارة المخزون التقليدية، التي تعتمد على العد اليدوي والسجلات الورقية، غير كافية بشكل متزايد، مما يؤدي إلى الأخطاء وعدم الكفاءة. تؤكد الورقة على الحاجة إلى رؤية في الوقت الفعلي وتنبؤ دقيق في إدارة المخزون، وهو ما يمكن تحقيقه من خلال تقنيات الذكاء الاصطناعي الحديثة.
يقترح المؤلفون نموذجًا جديدًا يسمى PackMLP، وهو شبكة عصبية متعددة الطبقات مصممة للتنبؤ بسلاسل زمنية متعددة المتغيرات على المدى الطويل في إدارة المخزون. يتضمن هذا النموذج تضمينات رقع متعددة المقاييس وتحليل الاتجاهات المتبقية على مستوى القناة لالتقاط العلاقات المعقدة في بيانات المبيعات بشكل فعال، مما يعالج التحديات مثل السلوكيات الدورية وتأثيرات الترويج. من خلال الاستفادة من نقاط القوة في هياكل الشبكات العصبية الحالية، وخاصة نموذج Transformer، يهدف PackMLP إلى تعزيز دقة التنبؤ وكفاءة العمليات. النظام المقترح متوافق مع أنظمة تخطيط موارد المؤسسات (ERP) الحالية وأنظمة إدارة المستودعات (WMS)، مما يجعله مناسبًا للأعمال التجارية بمختلف الأحجام والتعقيدات، مما يقلل في النهاية من الأخطاء اليدوية ويعمل على تحسين مستويات المخزون.
طرق
ت outlines المنهجية المقترحة تطوير نظام إدارة مخزون ذكي يستفيد من تقنية الذكاء الاصطناعي (AI) لتعزيز إدارة المخزون. يدمج هذا النظام بين المكونات الصلبة والبرمجيات، مما يمكّن من المراقبة الآلية وصيانة مستويات المخزون. من خلال استخدام ميزات متطورة (SOTA)، تم تصميم النظام لتحليل اتجاهات المبيعات والتنبؤ بالاحتياجات المستقبلية للمخزون، مما يسهل اتخاذ قرارات شراء أكثر استنارة تتماشى مع ديناميكيات العرض والطلب الحالية.
تتناول هذه القسم أيضًا بنية النظام التي ستدعم المكون البرمجي لهذا التصميم المبتكر. تعتبر هذه البنية ضرورية لتنفيذ الوظائف المدفوعة بالذكاء الاصطناعي التي تهدف إلى تحسين عمليات إدارة المخزون، مما يؤدي في النهاية إلى تحسين الكفاءة التشغيلية للأعمال.
نتائج
تظهر نتائج الدراسة فعالية نظام إدارة المخزون الذكي الذي تم تنفيذه في متجر بقالة محلي في فيصل آباد، باكستان، خلال فترة اختبار مدتها شهر واحد. ركز التقييم على ثلاثة مؤشرات أداء رئيسية: دقة تتبع المخزون، وقدرة التنبؤ بالمبيعات، ورضا المستخدم العام. تشير النتائج إلى أن النظام تفوق بشكل كبير على طرق إدارة المخزون التقليدية من خلال أتمتة العمليات، وتعزيز دقة البيانات، وتحسين قابلية التوسع لتجار التجزئة من الصغيرة إلى المتوسطة.
كشفت الاختبارات الشاملة لجميع وحدات النظام أن نظام إدارة المخزون الذكي لم يسرع فقط من تتبع المخزون، بل قدم أيضًا توقعات مبيعات موثوقة، مما ساهم في تحسين اتخاذ القرارات وكفاءة العمليات. عكس رد فعل المستخدمين مستوى عالٍ من الرضا، مما يثبت التطبيق العملي للنظام في بيئة التجزئة الواقعية. بشكل عام، تدعم الدراسة الانتقال إلى حلول إدارة المخزون الآلية كوسيلة لتحسين عمليات التجزئة.
مناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على تفوق نموذج PackMLP في أداء التنبؤ على مجموعة بيانات Walmart M5، محققًا خطأ لوغاريتمي متوسط مرجح مُنظم (NWRMSLE) قدره 0.0811، متفوقًا على الطرق التقليدية والرائدة مثل LSTM وLightGBM وPatchTST. بالإضافة إلى ذلك، يعزز دمج مسح رمز الاستجابة السريعة المتقدم ضمن إطار عمل A-LIQ إدارة المخزون من خلال تمكين التحديثات الآلية بدقة تحديد المواقع دون السنتيمتر، مما يسد الفجوات بين أنظمة ERP وWMS. الإطار الموحد المقترح للذكاء في المخزون قابل للتوسع ومتوافق مع الأنظمة الحالية، مما يعالج التحديات التشغيلية في إدارة المخزون.
تبتكر الدراسة أيضًا من خلال صياغة طلب المخزون كمهام مشتركة للتنبؤ والتصنيف، متجاوزة التنبؤ التقليدي ذو المتغير الواحد لتشمل عوامل حاسمة مثل مخاطر نفاد المخزون وضرورة إعادة الطلب. يتم التحقق من هذا النهج الشامل من خلال تقييم شامل ضد نماذج تعلم الآلة والتعلم العميق المختلفة، مما يظهر أداء PackMLP القوي عبر فئات المنتجات ومواقع المتاجر المتعددة. تم تصميم بنية النموذج، التي تستخدم نهج قائم على الرقع لتقليل الضوضاء والأبعاد، لتكون خفيفة الوزن وفعالة حسابيًا، مما يجعلها مناسبة للتطبيقات في الوقت الحقيقي في البيئات الصناعية. بشكل عام، تؤكد النتائج على فعالية PackMLP في تعزيز أنظمة إدارة المخزون من خلال تحسين دقة التنبؤ وكفاءة العمليات.
DOI: https://doi.org/10.22581/0407
Publication Date: 2026-01-01
Author(s): Muhammad Zubair et al.
Primary Topic: Forecasting Techniques and Applications
Overview
The research presents an innovative smart inventory management system that addresses inefficiencies in traditional methods through two key advancements: the A-LIQ (Advanced Laser Inertial QR) scanning system and the PackMLP forecasting model. The A-LIQ system enhances QR code scanning accuracy to over 99.2% with a latency of less than 0.9 seconds, even in challenging conditions, by integrating inertial sensors and visual adjustments. Meanwhile, PackMLP is a lightweight, attention-free deep learning model that employs multi-scale patch embedding and trend-residual decomposition to predict future sales patterns effectively. It outperforms existing state-of-the-art models on the Walmart M5 dataset, achieving a Normalized Weighted Root Mean Squared Logarithmic Error (NWRMSLE) of 0.0811, a Mean Absolute Error (MAE) of 0.358, and a Mean Absolute Percentage Error (MAPE) of 14.6%, all while maintaining a fast inference time of approximately 12.2 ms/sample.
In practical applications, the system demonstrated significant improvements over traditional inventory management, including a 4.4% increase in inventory accuracy, a 25% reduction in stockouts, and a 15% decrease in storage costs. The modular design and web-based interface enhance usability and cost-effectiveness, making it a practical alternative to heavier enterprise solutions. While the findings are promising, the authors acknowledge limitations, such as the reliance on the Walmart M5 dataset for validation, and plan to extend their research to other datasets and develop a dedicated classifier for inventory-state classification to further enhance the system’s capabilities.
Introduction
The introduction of this research paper highlights the burgeoning demand for efficient warehouse processes, driven by advancements in automation technologies, particularly artificial intelligence (AI) and machine learning (ML). The automated production market is projected to grow significantly, from $19.23 billion in 2023 to an estimated $95.45 billion by 2034, largely due to the integration of AI and ML in supply chain operations. Traditional inventory management methods, which rely on manual counting and paper-based records, are increasingly inadequate, leading to errors and inefficiencies. The paper emphasizes the need for real-time visibility and accurate forecasting in inventory management, which can be achieved through modern AI techniques.
The authors propose a novel model named PackMLP, a cellular multi-layer perceptron designed for long-term multivariate time series forecasting in inventory management. This model incorporates multi-scale patch embeddings and channel-wise residual trend decomposition to effectively capture complex relationships in sales data, addressing challenges such as cyclical behaviors and promotional impacts. By leveraging the strengths of existing neural network architectures, particularly the Transformer model, PackMLP aims to enhance forecasting accuracy and operational efficiency. The proposed system is compatible with current enterprise resource planning (ERP) and warehouse management systems (WMS), making it suitable for businesses of varying sizes and complexities, ultimately reducing manual errors and optimizing stock levels.
Methods
The proposed methodology outlines the development of an intelligent smart inventory system that leverages artificial intelligence (AI) technology to enhance inventory management. This system integrates both hardware and software components, enabling automated monitoring and maintenance of stock levels. By employing state-of-the-art (SOTA) features, the system is designed to analyze sales trends and predict future inventory needs, thereby facilitating more informed purchasing decisions aligned with current supply and demand dynamics.
The section further elaborates on the System Architecture that will underpin the software component of this innovative design. This architecture is crucial for implementing the AI-driven functionalities that aim to optimize inventory management processes, ultimately leading to improved operational efficiency for businesses.
Results
The results of the study demonstrate the effectiveness of the smart inventory management system implemented at a local grocery store in Faisalabad, Pakistan, over a one-month testing period. The evaluation focused on three primary performance indicators: inventory-tracking accuracy, sales-forecasting ability, and overall user satisfaction. The findings indicate that the system significantly outperformed traditional inventory management methods by automating processes, enhancing data accuracy, and improving scalability for small to medium-sized retailers.
Comprehensive testing of all system modules revealed that the smart inventory management system not only streamlined inventory tracking but also provided reliable sales forecasts, contributing to better decision-making and operational efficiency. User feedback reflected a high level of satisfaction, further validating the system’s practical application in a real-world retail environment. Overall, the study supports the transition to automated inventory management solutions as a means to optimize retail operations.
Discussion
The discussion section of the research paper highlights the superiority of the PackMLP model in forecasting performance on the Walmart M5 dataset, achieving a normalized weighted root mean squared logarithmic error (NWRMSLE) of 0.0811, outperforming traditional and state-of-the-art methods such as LSTM, LightGBM, and PatchTST. Additionally, the integration of advanced QR code scanning within the A-LIQ framework enhances inventory management by enabling automated updates with sub-centimeter localization accuracy, effectively bridging gaps between ERP and WMS systems. The proposed unified inventory intelligence framework is scalable and compatible with existing systems, addressing operational challenges in inventory management.
The research further innovates by formulating inventory demand as a combined forecasting and classification task, moving beyond traditional single-variable forecasting to include critical factors like stockout risk and reorder urgency. This holistic approach is validated through extensive benchmarking against various machine learning and deep learning models, demonstrating PackMLP’s robust performance across multiple product categories and store locations. The model’s architecture, which employs a patch-based approach to reduce noise and dimensionality, is designed to be lightweight and computationally efficient, making it suitable for real-time applications in industrial settings. Overall, the findings underscore the effectiveness of PackMLP in enhancing inventory management systems through improved forecasting accuracy and operational efficiency.