零售需求预测中全局模型的再训练频率

在计算能力日益提升且环境意识日益增强的时代，组织面临的关键挑战在于，在保证预测模型准确性的同时，平衡计算效率和可持续性。全局预测模型因其降低计算时间的优势，受到广泛关注。然而，这些模型常用的重新训练新观察的做法引发了关于预测成本的重要问题。我们使用十种不同的机器学习和深度学习模型，分析了各种再训练情景，从持续更新到完全不再训练，涵盖两个大型零售需求数据集。我们表明，较不频繁的再训练策略在保持预测准确性的同时，降低了计算成本，为大规模预测提供了更可持续的方案。我们还发现，随着数据频率的增加，机器学习模型若搭配较不频繁的模型再训练策略，能够更有效地降低预测成本。我们的发现挑战了频繁再训练是维持预测准确性必需的常规信念。相反，定期再训练在预测性能和效率之间提供了良好的平衡，无论是针对点预测还是概率预测。这些见解为寻求在降低成本和能源消耗的同时优化预测管道的组织提供了可操作的指导方针。