基于更新过程的间歇性需求预测
机器学习
2020-10-06 v1 应用统计
机器学习
摘要
间歇性需求预测是一个常见且具挑战性的问题。我们引入了一种构建间歇性需求预测模型的新的统一框架，其整合并可在多个方向上推广现有方法。我们的框架基于将成熟的基于模型的方法扩展至离散时间更新过程，其可简洁地解释需求到达中的老化、聚集与准周期性等模式。与离散时间更新过程的联系不仅允许对 Croston 类模型进行原则性扩展，也自然纳入了基于神经网络（neural network）的模型——通过以循环神经网络替换指数平滑。我们还证明，对我们框架进行平凡扩展即可对连续时间需求到达（即利用时间时间点过程）建模。这能在可直接获得带精细时间戳的个体采购订单数据的场景中实现更灵活的建模。作为该理论进展的补充，我们通过在标准间歇性需求数据集上的广泛实证研究展示了框架在预测实践中的有效性，其中我们报告了多种场景下优于最先进（state of the art）方法的预测精度。
引用
@article{arxiv.2010.01550,
title = {Intermittent Demand Forecasting with Renewal Processes},
author = {Ali Caner Turkmen and Tim Januschowski and Yuyang Wang and Ali Taylan Cemgil},
journal= {arXiv preprint arXiv:2010.01550},
year = {2020}
}