DyG-Mamba启示录：用动态图AI把供应链预测做“更稳更快”

一次仓库盘点把库存调平了，第二天却因为港口拥堵、临时加单、卡车晚点，计划又被打回原形。供应链的现实就是：关系在变、事件在变、间隔也在变。很多企业的数据平台已经能把订单、运输、库存都接进来，但真到“预测明天会发生什么”，常见模型就开始露怯——不是算得慢，就是忘得不对。

NeurIPS 2025 接收的研究 DyG-Mamba 给了我一个很实用的视角：把“动态关系网络”（动态图）当成“长序列”来建模，用连续状态空间模型去记忆与遗忘，并且把“事件之间不规律的时间间隔”变成模型的控制信号。翻译成供应链语言就是：该记的别忘、该忘的别背着跑；时间隔得越久，记忆衰减越合理；关键节点还要定期‘复盘’。

这篇文章放在《人工智能在科研与创新平台》系列里，我想做的不是复述论文，而是把它落到物流与供应链：它能解决哪些“老大难”、怎么接进你的数据链路、以及落地时最容易踩的坑。

为什么供应链预测总被“动态关系 + 不规则时间”击穿？

先把结论摆在前面：供应链不是表格问题，而是动态图问题。订单、SKU、仓库、承运商、门店、港口、线路、客户，都在形成一个不断演化的网络。

供应链里的“动态图”长什么样

• 节点：SKU、门店、仓库、车辆、司机、承运商、港口、客户等
• 边：发运、到货、补货、调拨、装卸、合作关系、同仓同线依赖等
• 事件：创建订单、装车、出港、到港、签收、退货、异常报备等
• 变化：边会出现/消失；节点属性（库存、温控、时效）不断变化

很多团队用时间序列方法预测需求、用规则引擎管异常，这在“稳定时期”能工作。但一旦结构变化加速（例如双12后退货潮、春节前后运力波动、海外港口拥堵），模型需要同时处理两件事：

1. 长依赖：某条线路在过去几个月积累的延误会影响未来 ETA
2. 不规则间隔：事件不是每小时整点发生，且间隔长短本身就携带信息

传统RNN/Transformer能做序列，但成本高、长序列不友好；很多动态图库模型能做事件流，但遇到超长历史和不规则时间时，往往要么“记不住”，要么“记太多”。

DyG-Mamba核心思路：把“不规则时间间隔”变成可控的遗忘

一句话解释：DyG-Mamba把动态图建模翻译成“长序列建模”，并用状态空间模型高效处理长依赖；同时用时间间隔作为控制信号，动态调整遗忘速度。

“遗忘曲线”对供应链有什么用？

论文灵感来自艾宾浩斯遗忘曲线：时间越久，记忆自然衰减。放到供应链里很直观：

• 某仓库 6 小时前的拣货拥堵，对现在仍有影响
• 但 60 天前某次偶发事故，对今天的影响应该很小（除非它揭示了结构性风险）

DyG-Mamba的关键点在于：不把时间间隔当作“附加特征”随便拼接，而是当作控制信号，去调节状态更新与遗忘。这对“事件稀疏”的业务尤其关键：跨境、海运、备件供应链经常几天才有一次关键事件，间隔信息本身就是风险提示。

“复习周期”：只复盘有价值的历史，过滤噪声

供应链数据噪声很大：误扫、重复上报、延迟回传、异常码不统一、GPS漂移。DyG-Mamba借鉴“复习周期”的思路，重新定义核心参数，让模型在必要时选择性回看历史，把高噪声输入压下去。

我喜欢这个设定的原因很现实：在异常高发时期（比如促销后、极端天气、系统切换），你不需要模型“更敏感”，你需要它更稳。

供应链AI的可靠性，来自“正确地忽略”。

把DyG-Mamba翻译成供应链的三类高价值场景

下面这三类场景，几乎每个做智能供应链/智能物流的平台都会遇到。DyG-Mamba这类“动态图 + 长序列 + 可控遗忘”的方法，恰好对症。

1）动态链路预测：路线/承运商选择与风险预警

动态链路预测（dynamic link prediction）在论文里是经典任务。供应链里可以直接对应：

• 某订单接下来会走哪条线路/哪个承运商？（路由预测）
• 某仓-店对是否会产生调拨边？（补货/调拨关系预测）
• 某供应商与品类的合作边是否会“断”或“弱化”？（供应风险）

价值不只是“猜对下一步”，更关键是提前一天到一周做预案：

• 如果预测到某港口关联的延误边概率升高，就提前分流
• 如果预测到某承运商在特定地区的履约边质量下降，就提前锁定替代运力

2）节点分类：识别高风险SKU、异常仓库、脆弱线路

论文也覆盖节点分类（node classification）。在供应链里常见标签包括：

• 高缺货风险SKU / 高滞销风险SKU
• 高异常仓库（拣配超时、盘亏、温控告警频繁）
• 高波动线路（时效方差大、节假日敏感）

DyG-Mamba的优势在于它更擅长利用“长期历史 + 不规则间隔”的组合特征：例如某SKU平时很稳，但每次出现补货间隔突然拉长后就容易缺货。间隔变化本身就是信号。

3）实时数据处理：从“日更预测”走向“事件驱动预测”

很多企业预测还是按天/按周跑批。现实却是事件驱动：一条“到港延误”消息进来，所有相关订单的 ETA、在途库存、门店可售都要重算。

状态空间模型的工程优势在这里会显得很香：对长序列更高效，计算和内存压力更可控。对于需要实时响应的供应链控制塔（Control Tower）或科研与创新平台上的实验系统，这是把“能跑”变成“跑得起、跑得稳”的关键。

从科研到落地：在供应链数据平台怎么部署这类模型

我建议按“可控实验”的方式上，而不是一口气替换所有模块。

Step 1：把业务事件流变成动态图数据产品

落地第一步不是选模型，是把事件定义干净：

1. 统一事件：装车/出库/到港/签收等时间戳规则
2. 统一实体：SKU、订单、运单、地点、承运商、车辆的主数据
3. 建立边类型：运输边、补货边、合作边、依赖边
4. 处理时间：保留原始不规则间隔，不要强行补齐到等间隔

Step 2：从一个可衡量的指标切入（建议ETA或缺货预警）

最容易拿到收益与认可的两个入口：

• ETA偏差降低：把“预测-实际”的误差按线路/承运商拆解
• 缺货预警提前量：提前 24-72 小时的命中率与误报率

把DyG-Mamba当作“更强的时序记忆模块”，先在一个任务上赢一局。

Step 3：在线推理要有“降级策略”，别把系统赌在一个模型上

供应链系统要抗波动。建议同时准备：

• 模型不可用时的规则兜底（最近邻、滑动均值、阈值预警）
• 数据延迟的补偿逻辑（事件迟到、重复上报）
• 输出的可解释摘要（触发预警的关键事件与间隔变化）

工程上我见过太多“模型很强，但上线后背锅”的案例，问题往往不是算法，而是缺少这三件事。

常见追问：这类动态图模型适合谁？

直接给判断标准：

适合

• 事件驱动明显：扫描、运输轨迹、异常告警、订单状态频繁变化
• 关系结构变化快：多承运商、多仓多店、跨境多口岸
• 历史很长但不规则：海运、备件、项目型交付、长周期采购

不太适合（或先别急）

• 数据链路不稳定：主数据混乱、时间戳不可信、事件定义不一致
• 目标不清：只有“想做AI”但没有可验收指标

我更倾向的路线是：先把数据产品做对，再用DyG-Mamba这类方法把“长期依赖 + 不规则时间”吃进去，收益会更扎实。

把科研成果变成供应链“韧性”：下一步怎么做

DyG-Mamba的启发不止一个模型，而是一个工程方向：供应链预测不该只盯着数值序列，更要建模关系网络的演化；不该把时间间隔当噪声，而要把它当控制信号。

如果你正在搭建“科研与创新平台”，我建议把它当成一个可复用的能力模块：

• 动态图事件标准（企业内部的“供应链知识图谱事件层”）
• 长序列状态建模组件（可插拔到ETA、需求、库存、异常）
• 评测基准与回放系统（用历史事件流做仿真回放）

到 2025 年底，供应链竞争越来越像“系统韧性”的竞争：谁能在突发波动里更快恢复、更少误判，谁就能把成本和体验都做得更稳。

你所在的业务里，哪一种“间隔变化”最能预示风险——是补货间隔、到港间隔，还是异常上报的间隔？把它定义出来，模型就有机会真正帮上忙。