数据稀缺也能做仿真：Transformer给供应链预测的启示

2025 年年底，很多供应链团队都有同一种焦虑：系统里“数据很多”，但真正能用来建模的关键状态数据却很少。仓库有出入库记录，却缺少“在途可视化”；门店有销量，却缺少促销执行的真实强度；运输有签收，却缺少途中温控与异常的连续曲线。模型一旦缺了这些变量，就不得不“带着历史跑”，越往后越像在补作业。

这类问题在物理学里早就出现过：当一个动力系统缺少某些关键变量的观测时，系统会表现出历史依赖（非马尔可夫性）和噪声。最近一篇研究用三个流体力学基准任务对比了两类神经网络：一类是强调物理约束、结构保持的模型（带“metriplectic”偏置），另一类是更擅长处理序列与上下文的 Transformer。结论很直接：当关键变量缺失、只能用不完整观测训练时，Transformer 的误差更低；但当系统状态变量都能完整知道时，结构保持模型反而更强。

我喜欢这个结论，因为它几乎可以原封不动搬到物流与供应链：**数据越不全，越要靠“记忆”与上下文；数据越全，越应该把业务规律写进模型。**下面我们把论文的核心观点翻译成供应链语言，给出可落地的建模路线。

关键结论：数据缺口越大，Transformer越吃香

先把答案放在前面：当系统缺少决定性状态变量、只能观测到“表象数据”时，Transformer 往往能通过长序列上下文，学习到一种隐含状态表示，从而更好地预测未来。

论文讨论的是历史依赖流动（例如黏弹性流体、聚合物流体），其中传统做法会引入一些现象学变量（如构象张量）来补足缺失信息，但这些变量在实验中不易测量。对应到供应链，现象学变量就是那些“很重要但很难直接采集”的东西：

• 真实可售库存（受锁定、盘点误差、退货在途影响）
• 运输在途状态（位置、温度、震动、异常停留）
• 促销执行强度（陈列、缺货、价格执行偏差）
• 供应商产能与排产波动（计划与实际的偏差过程）

当这些变量缺失时，你只能拿到订单、签收、出入库、预测、计划等“结果型数据”。这会迫使模型在时间上“回看历史”才能推断当前隐状态。Transformer 的注意力机制天生擅长这种事：它不是只看最近一步，而是能在较长窗口里找到真正有用的片段。

从“历史依赖流体”到“历史依赖供应链”：一一对应

这项研究选择了三个任务：

1. 无历史依赖的圆柱绕流：状态完整、可描述性强
2. Oldroyd-B 黏弹性 Couette 流：存在历史依赖，需要额外变量刻画
3. FENE 非线性聚合物流体：更强的非线性与历史效应

把它映射到供应链，你会发现三种典型场景：

场景 A：状态可观测、业务规则清楚（“圆柱绕流”型）

例如：单仓直发、SKU 少、补货周期固定、数据质量高。此时用结构化、可解释的模型往往更好：

• 带约束的优化/仿真（补货策略、库容、波次）
• 规则 + 统计预测（季节性、节假日修正）
• 物理/业务一致性强的模型（守恒约束、容量约束）

原因很朴素：当你“看得见一切”，模型不需要猜隐状态，反而需要尊重约束。

场景 B：关键状态缺失、必须靠历史推断（“Oldroyd-B”型）

例如：跨境在途长、清关不确定、异常节点多，但你只有节点扫描与少量事件日志。你想预测 ETA、延误风险、库存断供概率，本质上都要从历史轨迹里推断当前隐状态。

Transformer 在这里的优势通常体现在：

• 能利用很长的事件序列（下单→拣货→装车→干线→清关→末端）
• 能处理不规则事件与多源特征（天气、拥堵、港口拥塞、节前峰值）
• 能在少量标签下学到有用表征（尤其适合迁移学习/自监督预训练）

场景 C：非线性强、策略改变会反噬系统（“FENE”型）

例如：促销+缺货+替代购买+补货延迟叠加，需求不是“线性可加”的，库存策略改变会改变销量生成机制。你会看到强烈的路径依赖：上周缺货导致本周需求被抑制，下一次补货又出现集中爆发。

这类系统里，Transformer 仍然常见地跑赢传统序列模型（如简单 RNN/LSTM），但你要更重视：

• 反事实验证：策略变了，模型是否还靠谱？
• 漂移监控：节前节后、渠道结构变化会让历史失效
• 约束注入：把库存/产能/交付等硬约束纳入训练或后处理

供应链“缺数据”的真实原因：不是样本少，是状态少

很多团队以为自己缺的是“样本量”，于是盲目扩数据湖、堆埋点。更常见的真相是：样本不少，但缺少能让系统“马尔可夫化”的状态变量。

一句话概括：你观测到的是结果，没观测到的是机制。

论文里，研究者对比了 Transformer 与一种“热力学一致、结构保持”的网络：当状态完整时，结构保持模型更强；当状态缺失时，Transformer 更强。这给供应链一个很实用的决策框架：

• 能补齐关键状态（通过 IoT、在途可视化、库存校准、主数据治理）→ 更值得投资“约束+机理”模型
• 短期补不齐、但业务必须预测 → 先用 Transformer 做“隐状态建模”，把预测精度拉起来

我建议把这当成路线图，而不是二选一。

落地做法：用Transformer做“隐状态仿真器”，再把约束补上

答案先给：最稳妥的落地方式，是把 Transformer 当作数据驱动的仿真内核，输出隐状态与未来轨迹；再用业务约束与优化模块做决策闭环。

1) 数据形态：把供应链事件流做成“序列”

Transformer 吃的不是表格，而是序列。你可以从以下三类序列入手：

• 订单生命周期序列：下单、分仓、波次、拣货、出库、揽收、干线、到站、派送、签收
• 库存状态序列：可用、占用、在途、冻结、退货、损耗、盘点调整（按日/小时）
• 价格与促销序列：标价、成交价、券、活动档期、曝光、缺货标记

关键是把缺失状态“留白”，让模型从上下文里学会推断。

2) 训练策略：少标签也要先学表征

在数据稀缺时，我更推荐两步：

1. 自监督预训练：做事件掩码预测、下一事件预测、时间间隔预测，让模型先学“供应链语法”
2. 小样本微调：再针对 ETA、延误、断货、需求等目标微调

这对应论文的核心点：Transformer 能在低维潜空间下仍保持较低误差，前提是它学到了“历史依赖”的结构。

3) 评估方式：别只看MAPE，要看“决策损失”

供应链里最常见的误区是只盯预测误差。更有效的是把评估贴近决策：

• ETA 误差 → 转化为超时罚金、客服工单量、加急成本
• 需求误差 → 转化为缺货损失与滞销资金占用
• 库存仿真误差 → 转化为服务水平（fill rate）与周转天数

你会发现：某些预测误差差 2%，可能带来 20% 的加急成本差异。

4) 约束与可信：给Transformer装上“护栏”

当数据不全时，Transformer 很强；但做计划与执行时，你仍需要护栏：

• 硬约束后处理：库存不能为负、产能上限、车次容量
• 不确定性输出：给出分位数 ETA/需求，便于设安全库存与缓冲
• 漂移检测：节前峰值、政策变化、供应商切换时触发再训练

这就把论文的“结构保持模型优势”以工程方式补回来：不是让 Transformer 变成物理模型，而是让它在决策层面遵守业务规律。

常见问题：什么时候不该用Transformer硬扛？

把答案说透：当你能以较低成本补齐关键状态，并且系统规则明确时，优先做数据治理与机理/约束建模，Transformer 只当加速器。

几个典型信号：

• 你有高质量库存与在途数据，但预测仍不准 → 问题多半在特征与策略反馈，而不是模型容量
• 业务强约束占主导（产能、配额、冷链时窗）→ 仅靠黑盒预测容易在执行层“撞墙”
• 需要强可解释审计（医药冷链、合规报关）→ 需要可解释链路与规则存档

这与论文的对比一致：状态完整时，带结构偏置的模型更占优势。

把科研结论变成供应链行动清单（适合 2026 规划）

如果你正在做“人工智能在科研与创新平台”相关建设，我建议把这篇研究当成一个方法论样板：用科研界验证过的“数据稀缺可用性”思路，指导企业级仿真与预测平台。

给一份可执行的清单：

1. 先判定缺口：列出业务真正决定性的状态变量（在途、可售、促销执行、产能），标注哪些不可观测
2. 选模型路线：缺口大→Transformer 序列建模；缺口小→约束/机理模型优先
3. 做预训练底座：用事件流做自监督，让模型先学“供应链语法”
4. 用决策指标验收：以成本、服务水平、周转等指标做 A/B
5. 加护栏再上线：约束、分位数、不确定性、漂移监控一个都别省

供应链的现实是：数据永远不完美，但决策每天都要做。Transformer 在“缺关键状态”的世界里确实更能打；而你要做的，是把它放进一个带约束、可运营、可监控的平台里。

如果你的供应链模型总在节前失灵、在途数据又补不齐，也许该换个思路：先让模型学会“记住历史”，再用规则把它拉回可执行的轨道。下一步，你更想优先解决哪个缺失状态——在途可视化，还是可售库存的真实性？