RMSE降37%！我国团队用BTGCN模型精准预测制造任务瓶颈-

制造企业里，任务瓶颈就像生产线上的“肠梗阻”——找不准就会拖慢整个流程，浪费资源。传统预测方法要么只看任务的时间变化（比如过去多久做一次），要么只看空间关系（比如哪些任务关联），很难同时兼顾两者，导致预测不准。近日，我国江苏科技大学团队提出BTGCN模型（时空图卷积网络的一种），能同时捕捉任务的时空特征，精准预测瓶颈，相关成果发表于《Frontiers in Engineering Management》。

制造瓶颈的“老大难”：时空特征难兼顾

工业4.0时代，制造任务越来越复杂，瓶颈不仅随时间波动（比如旺季任务多易堵），还和任务之间的关系密切（比如A任务慢会影响B任务）。这就像要同时看懂“任务地图”（空间关系）和“时间曲线”（执行频率变化），传统模型如HA（历史平均）、ARIMA（时间序列）都做不到。比如，某造船企业的ERP数据显示，任务执行频率有12小时和24小时周期，但传统模型常忽略任务间的关联，导致预测偏差大。

BTGCN模型：像给任务装了“时空GPS”

BTGCN模型把任务网络（任务作为节点，关系作为边的图，像任务之间的“社交网络”）和时空特征结合起来：

GCN（图卷积网络）：把任务之间的关系做成“地图”，比如哪些任务经常由同一人执行，就能识别出任务间的空间依赖（像地图上的相邻路线）；
GRU（门控循环单元）：给模型加“时间记忆”，能记住任务过去的执行频率变化（比如每周一任务多），捕捉时间依赖；
两者结合，就像给任务装了“时空GPS”，既能看清任务间的联系，又能预测未来的变化。

实验见真章：比传统模型准得多

团队用某造船企业2年10个月的ERP数据（27个核心任务）测试，对比7种模型：

24小时预测：BTGCN的RMSE（预测误差）比HA模型降37.49%，R²（拟合度）达0.8145（越接近1越准）；
12小时预测：RMSE比HA降62.3%，表现远超ARIMA、SVR等传统模型；
但模型也有短板：对极端值（比如任务执行频率突然飙升）和零频率任务（某段时间没执行）预测有偏差，因为这些情况数据少，模型难捕捉。

局限与未来：还需适配更多场景

BTGCN模型虽好用，但也有局限：

实时处理慢：需要大量计算资源，难做到秒级预测；
适配性有限：对离散制造（如造船）效果好，但对低频率任务的科技企业（如半导体）预测不准；
依赖数据质量：数据不全或错漏会影响结果。

未来团队计划优化实时处理能力，加入任务属性特征（如任务复杂度），让模型适配更多制造场景。