重构需求预测：针对零星与间歇性需求的双重方法
机器学习
2021-03-26 v1
摘要
需求预测是需求管理的关键组成部分。虽然缩短预测周期可利用更近期的数据并降低不确定性，但这通常意味着更低的数据聚合层级与更显著的数据稀疏性。稀疏需求数据通常导致零星（lumpy）或间歇性（intermittent）需求模式，其需求间隔稀疏且不规则。通常的统计与机器学习模型在此类场景下无法提供良好预测。我们的研究表明，可通过两个模型获得有竞争力的需求预测：预测需求发生与估计需求规模。我们分析了局部与全局机器学习模型在两种情况下的使用，并将结果与基线方法比较。最后，我们提出了一种评估零星与间歇性需求预测模型性能的新准则。研究表明，在预测需求事件发生时，全局分类模型是最佳选择；在预测需求规模时，使用简单指数平滑（Simple Exponential Smoothing）预测取得了最佳结果。我们在由 516 条对应欧洲汽车原始设备制造商每日需求、时长三年的真实时间序列构成的数据上测试了该方法。
引用
@article{arxiv.2103.13812,
title = {Reframing demand forecasting: a two-fold approach for lumpy and intermittent demand},
author = {Jože M. Rožanec and Dunja Mladenić},
journal= {arXiv preprint arXiv:2103.13812},
year = {2021}
}