تعتبر أوقات التسليم (Lead Time) من العناصر الأساسية في التخطيط لاحتياجات المواد، وتحسين المخزون، وإدارة مخاطر سلسلة الإمداد. ومع ذلك، تواجه العديد من مجموعات بيانات أوقات التسليم تحديات طبيعية تتمثل في كونها مقيدة من الجانب الأيمن، حيث لا يتم استلام بعض الطلبات عند الحاجة للتوقعات.

تخيل نموذجاً يُسمى LeadTime-ICL (LT-ICL) الذي يتناول هذه المشكلة بشكل مبتكر. يعتمد LT-ICL على آلية تعلم في السياق (In-Context Learning) ويجمع بين هيكلية Transformer ورأس تدفق طبيعي مشروط، مما يمكنه من إنتاج توزيع تنبؤي كامل لأوقات التسليم.

تم تدريب النموذج مسبقاً على مهام أوقات تسليم مقيدة من الجانب الأيمن، مما يتيح له التكيف مع مجموعات بيانات صناعية جديدة دون الحاجة لتحديثات معقدة للمعلمات.

لقد قدم هذا النموذج دعمًا نظريًا قويًا، حيث أظهر أن أخطاء CRPS الزائدة محدودة بأخطاء التقدير السابقة. اختبرنا LT-ICL عبر 24 مجموعة بيانات خاصة بسلسلة الإمداد تغطي سبع صناعات، وحقق أقل خطأ في التوقعات النقطية في 15 من 24 مجموعة بيانات، وأقل خطأ في التوقعات الاحتمالية في 14 مجموعة، مما يمنح النموذج أفضل ترتيب متوسط عبر كلا الجانبين.

تشير هذه النتائج إلى أن التوقعات الاحتمالية المُقيدة من الجانب الأيمن تمثل صيغة عملية للتنبؤ بأوقات التسليم، وتؤكد على أن النماذج المدربة مسبقًا في السياق يمكن أن توفر توقعات دقيقة بتكاليف تكييف منخفضة، ما يعزز التخطيط الصناعي بشكل فعال.