基于 ARIMA 时间序列预测坏货风险评分：一种新颖的风险评估方法
机器学习
2025-06-10 v3 人工智能
应用统计
摘要
供应链的日益复杂以及次品或不合格货物（坏货）相关成本的上升，凸显了针对风险缓解和提高运营效率所需先进预测方法的紧迫性。这项研究提出了一种新框架，将Time Series ARIMA（自回归积分移动平均）模型与专为计算坏货后时间序列预测而设计的专有公式集成。通过利用历史数据模式，包括销售、退货和产能，该模型预测潜在的质量失效，从而实现主动决策。ARIMA用于捕捉时间序列数据中的时间趋势，而新开发的公式则更精确地量化缺陷的可能性和影响。经在2022-2024年针对有机啤酒 G 1 瓶的数据集验证的实验结果表明，所提方法在预测准确性和风险评估方面均优于传统统计模型，如指数平滑和 Holt-Winters 方法。这项研究推动了预测分析领域的发展，通过将时间序列预测、ARIMA 与风险管理集成于供应链质量控制中，提供了一种可扩展且实用的解决方案，用于最小化因坏货导致的损失。
引用
@article{arxiv.2502.16520,
title = {Predicting Bad Goods Risk Scores with ARIMA Time Series: A Novel Risk Assessment Approach},
author = {Bishwajit Prasad Gond},
journal= {arXiv preprint arXiv:2502.16520},
year = {2025}
}