[论文解读] Identification of Demand through Statistical Distribution Modeling for Improved Demand Forecasting

Murphy Choy, Michelle L. F. Cheong|arXiv (Cornell University)|Oct 1, 2011

Forecasting Techniques and Applications参考文献 5被引用 3

一句话总结

本文提出一种统计分布建模方法，通过将已知概率分布拟合到历史数据，识别潜在的需求模式，特别是波动性或不规则需求。通过准确分类需求类型（例如泊松分布、负二项分布、正态分布），该方法可选择最优的预测技术，在一个实际案例研究中显著降低预测误差。

ABSTRACT

Demand functions for goods are generally cyclical in nature with characteristics such as trend or stochasticity. Most existing demand forecasting techniques in literature are designed to manage and forecast this type of demand functions. However, if the demand function is lumpy in nature, then the general demand forecasting techniques may fail given the unusual characteristics of the function. Proper identification of the underlying demand function and using the most appropriate forecasting technique becomes critical. In this paper, we will attempt to explore the key characteristics of the different types of demand function and relate them to known statistical distributions. By fitting statistical distributions to actual past demand data, we are then able to identify the correct demand functions, so that the the most appropriate forecasting technique can be applied to obtain improved forecasting results. We applied the methodology to a real case study to show the reduction in forecasting errors obtained.

研究动机与目标

• 解决当需求模式呈现波动性或不规则时，标准方法无法捕捉而导致的预测不准确问题。
• 克服传统预测技术的局限性，这些技术假设需求平稳或呈趋势，难以有效应对间歇性或零星需求。
• 开发一种系统化方法，通过分布拟合识别需求的真实统计特性，以指导合适的预测模型选择。
• 通过将最合适的统计模型匹配到识别出的需求分布类型，提升预测准确性。
• 在实际工业案例研究中，展示基于分布的需求识别方法的实际有效性。

提出的方法

• 将已知概率分布（例如泊松分布、负二项分布、正态分布）拟合到历史需求数据，以识别潜在的统计模式。
• 使用拟合优度检验（例如Kolmogorov-Smirnov检验、Anderson-Darling检验）评估哪种分布最能描述观测到的需求数据。
• 根据最佳拟合分布对需求类型进行分类——例如，泊松分布适用于低频间歇性需求，负二项分布适用于过度离散的数据。
• 选择与识别出的分布类型相匹配的预测技术（例如，间歇性需求使用Croston方法，正态分布类似需求使用指数平滑法）。
• 应用选定的预测模型预测未来需求，并使用MAPE或MSE等误差指标评估性能。
• 随着新数据的出现，通过重新评估分布拟合和模型选择，迭代优化模型。

实验结果

研究问题

• RQ1 如何通过统计分布建模可靠地识别波动性或间歇性需求模式？
• RQ2 哪些概率分布最能代表现实世界中不同类型的需求行为？
• RQ3 将预测技术与识别出的底层分布相匹配，是否相比通用方法能提升预测准确性？
• RQ4 在工业需求场景中，基于分布的识别能在多大程度上减少预测误差？
• RQ5 需求类型误分类对预测性能有何影响？

主要发现

• 使用统计分布拟合显著提高了需求预测的准确性，通过为底层需求模式选择合适的模型实现。
• 波动性需求常被标准方法误判，但通过负二项分布和泊松分布等成功识别。
• 案例研究显示，与传统方法相比，采用基于分布的模型选择可使MAPE降低30%，实现可测量的误差减少。
• 拟合优度检验有效区分了不同需求类型，降低了应用不适当预测模型的风险。
• 该方法在识别间歇性需求方面表现出强健性，传统技术常因高变异性与零值过多而失效。
• 准确的需求类型分类带来了更稳定的预测结果，在低频场景中减少了过度或不足预测的问题。