Multi-Channel Temporal Attention Autoencoder for Anomaly Detection in Supply Chain Graph Time Series

글로벌 공급망은 생산, 주문, 물류, 유통 단계가 복잡하게 얽혀 있어, 특정 지점의 이상이 연쇄적으로 확산되기 쉽다. 본 연구는 공급망 그래프 시계열 데이터의 복합 이상을 탐지하기 위해 Multi-Channel Temporal Attention Autoencoder(MC-TAAE)를 제안한다. 제안 모델은 1×1 컨볼루션으로 채널 간 상호작용을 학습하고, 양방향 LSTM과 시간 어텐션으로 시점별 기여도를 반영하며, 재구성 오차 기반으로 이상을 판별한다. 방글라데시 FMCG 기업의 공급망 데이터를 활용한 실험 결과, (i) 윈도우 길이에 따라 민감도와 안정성 간 trade-off가 존재하고, (ii) 다채널(multi) 모드가 복합 이상 탐지에서 가장 우수하며, (iii) val-F1과 target-FPR 임계치 전략은 각각 미탐 방지와 알람 억제 목적에 적합함을 확인하였다. Attention, saliency, LOCO 분석을 통해 탐지 결과의 해석 가능성도 입증되었으며, 본 모델은 실제 운영 의사결정에 활용 가능한 기반을 제공한다.