近年来，受地缘冲突、极端天气、消费需求波动等多重因素影响，全球供应链不确定性持续攀升，物流网络优化、需求精准预测、库存动态调整已成为制造、零售、物流等多类市场主体的核心数字化需求。但长期以来，供应链物流领域缺乏统一的公开基准数据集，不同机构研发的时序预测算法、数字孪生模型往往基于私有数据测试，难以实现横向性能对比，也大幅提升了产业端的仿真验证成本，成为制约供应链智能化技术落地的关键瓶颈之一。
2026年5月13日，马萨诸塞大学阿默斯特分校牵头多机构联合研发的ISOMORPH数据集正式在arXiv首发，作为全球首个面向多级物流网络数字孪生场景的公开数据集，其核心定位正是填补供应链物流领域时间序列预测的基准空白。
据公开资料显示，ISOMORPH数据集基于专业模拟器生成，设置两种目录规模（C=50和C=200），采用每日的时间分辨率，覆盖13个节点的完整物流网络，数据规模充足；为最大程度贴近真实供应链的复杂动态，数据集整合了30个场景滚动设置与20个拉丁超立方扰动，可充分模拟供需波动、运力变化等真实运营变量。整个数据集的创建过程支持用户自定义配置网络拓扑结构、需求变化规则与库存管理策略，依托离散时间马尔可夫链模型可精准模拟库存水平、在途运输状态、需求预估结果等全链路运行轨迹，还原度达到行业领先水平。
目前ISOMORPH数据集的核心应用方向为供应链时间序列预测的基准测试，可有效评估各类基础预测模型在方差放大（即供应链领域常见的“牛鞭效应”）、级联运力瓶颈、供需结构转换等复杂动态场景下的性能表现，同时可为参数不确定场景下的前向不确定性量化提供数据支撑。从落地场景来看，该数据集既可为高校、科研机构、AI企业的供应链智能算法研发提供统一的测试基准，降低跨团队技术对比的沟通成本，加速技术迭代；也可为物流企业、品牌零售、制造企业的供应链数字化建设提供仿真验证工具，可用于库存策略测试、极端场景压力测试、新物流节点布局推演、物流数字孪生系统搭建等多个场景，大幅降低实体运营的试错成本。作为垂直产业领域的高质量公开数据集，ISOMORPH的发布也将为全球数据要素市场的产业类数据资源供给提供参考样本，进一步推动供应链数字化相关技术的普惠落地。
详情页内容：
_1769672084863.jpg)