使用上下文增强机器学习模型的数据驱动库存优化预测框架
机器学习
2026-01-09 v1
摘要
供应链管理（SCM）中的需求预测对于优化库存、减少浪费和提高客户满意度至关重要。传统方法经常忽略天气、节假日和设备故障等外部影响，导致效率低下。本研究调查了机器学习（ML）算法在改善零售和自动售货机领域需求预测中的应用。四种机器学习算法——极端梯度提升（XGBoost）、自回归积分滑动平均模型（ARIMA）、Facebook Prophet（Fb Prophet）和支持向量回归（SVR）——被用于预测库存需求。系统地纳入了工作日、节假日和销售偏差指标等外部因素以提高精度。XGBoost 超越了其他模型，在包含外部变量的情况下达到了 22.7 的最低平均绝对误差（MAE）。ARIMAX 和 Fb Prophet 展现了显著提升，而 SVR 性能不足。纳入外部因素极大地提高了需求预测模型的精度，且 XGBoost 被确定为最高效的算法。本研究为改善零售和自动售货机系统中的库存管理提供了一个强有力的框架。
引用
@article{arxiv.2601.05033,
title = {A Data-Driven Predictive Framework for Inventory Optimization Using Context-Augmented Machine Learning Models},
author = {Anees Fatima and Mohammad Abdus Salam},
journal= {arXiv preprint arXiv:2601.05033},
year = {2026}
}