稀疏需求预测的智能路由：选择策略的比较评估

供应链中稀疏和间歇性需求预测 presents 一个关键挑战，因为频繁的零需求周期阻碍了传统模型的准确性，并影响库存管理。我们提出并评估了一个模型-路由（Model-Router）框架，该框架基于每个产品独特的需求模式动态选择最合适的预测模型——涵盖经典方法、机器学习和深度学习方法。通过比较基于规则的、LightGBM 和 InceptionTime 路由器，我们的框架学习如何为平滑、颗粒或间歇性需求 regime 指定合适的预测策略，从而优化预测。在大规模 Favorita 数据集上的实验表明，深度学习（InceptionTime）路由器相较于强大的单一模型基准以最高 11.8%（NWRMSLE）的提升实现了预测准确性，并以 4.67 倍更快的推理速度。最终，这些预测精度的提升将显著减少库存罢机和浪费性过量库存，凸显了智能、自适应 AI 在优化当代供应链运营中的关键作用。