[论文解读] Combining Probabilistic Forecasts of Intermittent Demand

Shengjie Wang, Yanfei Kang+1 more|arXiv (Cornell University)|Apr 6, 2023

Forecasting Techniques and Applications被引用 4

一句话总结

本研究提出了一种针对间歇性需求的概率预测组合方法，通过联合优化预测准确性和库存表现，实现性能提升。通过整合评分规则（如对数似然、Brier 评分）与库存成本最小化，该方法同时提升了预测的可靠性与库存表现，其中简单平均法在预测校准性、精确度与成本效率之间的权衡中表现出稳健性。

ABSTRACT

In recent decades, new methods and approaches have been developed for forecasting intermittent demand series. However, the majority of research has focused on point forecasting, with little exploration into probabilistic intermittent demand forecasting. This is despite the fact that probabilistic forecasting is crucial for effective decision-making under uncertainty and inventory management. Additionally, most literature on this topic has focused solely on forecasting performance and has overlooked the inventory implications, which are directly relevant to intermittent demand. To address these gaps, this study aims to construct probabilistic forecasting combinations for intermittent demand while considering both forecasting accuracy and inventory control utility in obtaining combinations and evaluating forecasts. Our empirical findings demonstrate that combinations perform better than individual approaches for forecasting intermittent demand, but there is a trade-off between forecasting and inventory performance.

研究动机与目标

• 填补间歇性需求概率预测领域的研究空白，尽管其在库存管理中具有重要意义，但目前仍缺乏深入探索。
• 在组合过程中整合预测准确性和库存表现，以提升预测的经济价值。
• 不仅通过统计准确性，还通过其对关键库存指标（如服务水平、库存投资与缺货订单）的影响来评估预测组合。
• 探究概率组合中预测性能（精确度、校准性）与库存成本效率之间的权衡。
• 证明简单平均组合方法在不同间歇性需求模式下，能够更稳健地平衡预测与库存目标。

提出的方法

• 基于多种方法（如参数法，例如 Croston、SBA、TSB；非参数法；基于机器学习的方法）生成的个体预测，构建概率预测组合。
• 采用评分规则（对数似然、Brier 评分、球面评分）作为优化目标，生成最大化预测准确性的组合权重。
• 将库存成本最小化作为替代目标函数，引导组合权重，直接关联预测与库存表现。
• 使用来自近期预测竞赛的真实世界数据集（30,490 个 SKU）评估不同间歇性需求模式（平稳、异常、集中、间歇）下的组合表现。
• 在不同目标服务水平（80%、90%、95%、99%）下，同时使用统计指标（精确度、校准性）与库存指标（客户服务水平、库存投资、缺货订单）评估组合表现。
• 利用 ADI 与 CV2 对需求模式进行分类，分析不同间歇性需求类型下的性能表现，确保在异质性时间序列中的稳健性。

实验结果

研究问题

• RQ1 与单一方法相比，概率预测组合在间歇性需求的预测准确性与库存表现方面有何改进？
• RQ2 在概率预测组合中，预测性能（精确度与校准性）与库存成本效率之间存在何种权衡？
• RQ3 通过评分规则或库存成本优化的组合方法中，哪一种在平衡预测与库存目标方面表现最佳？
• RQ4 不同间歇性需求模式（平稳、异常、集中、间歇）下，预测组合的表现有何差异？
• RQ5 简单平均组合在稳健性与库存管理实际应用中的实用性方面，相较于优化方法优势有多大？

主要发现

• 概率预测组合在预测准确性和库存表现方面显著优于单一预测方法。
• 预测性能（如 log-opt 实现最佳精确度）与库存成本效率之间存在明显权衡（如 cost-opt 虽降低投资，但在高服务水平下表现不佳）。
• 简单平均（SA）方法在预测与库存指标之间实现良好平衡，表现出对所有目标服务水平与需求模式的稳健性。
• log-opt 与 Brier-opt 组合在精确度与校准性方面得分最高，但导致更高的缺货订单与更高的库存投资，表明其库存实用性较差。
• 间歇性与集中型需求模式的精确度得分最低，库存成本最高，凸显了预测此类序列的挑战。
• cost-opt 组合虽降低库存投资，但难以在 99% 服务水平下维持服务水准，表明其在高服务需求下的适应性存在局限。