面向需求预测的自适应时隙感知模型选择框架

以间歇性需求、高变动性和多步骤规划为特征的商业环境需要模型选择程序与未来运营时隙相匹配，而非静态测试时隙评估。由于没有任何预测模型在所有情形下都占主导地位，且在不同指标、需求结构和预测时隙下的排名都有差异，为每个时间序列分配合适模型在库存规划、采购和供应管理中仍是困难问题。本研究通过引入指标随预测时隙 degradation（MDFH）程序来解决此问题。MDFH 在结构稳定条件下，将测试时隙的外样本误差指标投射到未来运营时隙，将常规静态评估转换为面向多步骤决策情境的时隙感知方案。基于此，本文推导了最简洁的 MDFH 实践形式——RMSSEh，并提出面向间歇性、变动性、指标冲突和预测偏差导致单指标时隙感知选择不足的情况下的自适应扩展——AHSIV。我们在 Walmart、M3、M4 和 M5 数据集上进行经验评估，使用多个训练-测试划分和 12 步预测时隙，比较 RMSSEh、AHSIV 和 ERA 作为选择器机制。结果表明，MDFH 为时隙感知选择器设计提供了一致的依据，RMSSEh 和 AHSIV 在异构需求环境中保持竞争力，AHSIV 在结构复杂情境中提供了鲁棒性。总体而言，多 SKU 环境下的预测模型选择应被视为一个时隙感知、结构敏感的分配问题，需与运营规划要求相匹配。