具有一般到达间隔需求与一般提前期的 (s,S) 库存模型的监督学习
机器学习
2026-01-21 v1
摘要
连续盘点 (s,S) 库存模型是随机库存理论的基石，然而在处理非马尔可夫系统时，其分析在解析上变得不可处理。在此类系统中，评估长期性能指标通常依赖于昂贵的模拟。本文提出了一种基于神经网络模型的监督学习框架，用于在缺货销售下，对具有一般需求到达间隔时间和提前期分布的 (s,S) 库存系统的稳态性能指标进行近似。首先使用模拟生成训练标签，然后对神经网络进行训练。训练完成后，神经网络能够几乎瞬时地预测系统的各种指标，例如库存水平的稳态分布、预期周期时间和缺货概率。我们发现，使用分布的低阶矩作为输入足以训练神经网络并准确捕获稳态分布。大量数值实验表明，在广泛的系统参数范围内具有很高的准确性。因此，它有效地替代了重复且昂贵的模拟运行。我们的框架很容易扩展到其他库存模型，为分析复杂的随机系统提供了一种高效且快速的替代方案。
引用
@article{arxiv.2601.12900,
title = {Supervised Learning for the (s,S) Inventory Model with General Interarrival Demands and General Lead Times},
author = {Eliran Sherzer and Yonit Barron},
journal= {arXiv preprint arXiv:2601.12900},
year = {2026}
}