DriftGuard：面向供应链预测的概念漂移检测与 Remediation 的层次化框架
机器学习
2026-01-15 v1 计算机视觉与模式识别
摘要
供应链预测模型随着现实条件变化而退化。促销活动变化、消费者偏好演变、供应中断改变需求模式，导致所谓的概念漂移。这种隐式退化在系统未触发警报的情况下导致库存不足或积压。当前行业实践依赖手动监控和每 3-6 个月进行一次计划内 retraining，这在稳定期浪费计算资源，同时错失快速漂移事件。现有学术方法仅专注于漂移检测，忽略诊断和 Remediation，同时忽略供应链数据中固有的层次结构。 retailers 需要的是一个从头到尾的系统，能够早期检测漂移、解释其根本原因并自动纠正受影响的模型。我们提出 DriftGuard，一个包含五个模块的框架，覆盖完整的漂移生命周期。该系统将四种互补检测方法——误差基监控、统计检验、自动编码器异常检测和累计和（CUSUM）变点分析——与层次化传播分析结合，用于在产品线中精确定位漂移发生位置。检测到漂移后，Shapley 增量解释（SHAP）分析诊断根本原因，成本感知的 retraining 策略仅更新最受影响的模型。基于 M5 零售数据集评估的 30,000 多个时间序列，DriftGuard 在 4.2 天内实现 97.8% 的检测召回率，通过精准 Remediation 实现最高可达 417 的投资回报率。
关键词
引用
@article{arxiv.2601.08928,
title = {DriftGuard: A Hierarchical Framework for Concept Drift Detection and Remediation in Supply Chain Forecasting},
author = {Shahnawaz Alam and Mohammed Abdul Rahman and Bareera Sadeqa},
journal= {arXiv preprint arXiv:2601.08928},
year = {2026}
}