基于多源多层迁移学习(MSML-TL-RFE)的新产品需求预测方法及其在供应链成本优化中的应用

针对新产品上市初期数据匮乏导致的供应链需求预测难题，研究人员创新性提出多源多层迁移学习框架(MSML-TL-RFE)，通过递归特征消除策略整合多源知识，在三个公开数据集验证显示预测准确度(1/RMSE)从4.83提升至5.76，供应链成本降低7.2%，为动态供应链管理提供了AI驱动的决策支持。

　　

在供应链管理领域，新产品上市初期的需求预测始终是困扰企业的核心难题。传统市场调研和相似产品类比方法往往存在准确性不足的问题，而深度学习又受限于新产品历史数据的匮乏。随着人工智能技术的发展，迁移学习(TL)通过从其他产品历史数据中提取知识，为解决这一困境提供了新思路。然而现有研究在知识源选择、多源信息整合以及供应链成本影响评估等方面仍存在显著空白。

针对这些挑战，某大学的研究团队在《Intelligent Systems with Applications》发表了创新性研究成果。他们开发了多源多层迁移学习结合递归特征消除(MSML-TL-RFE)的新框架，通过构建包含供应商和多个零售商的层级供应链模型，系统评估了信息共享对预测精度和运营成本的影响。研究首次实证表明，当零售商共享销售数据时，迁移学习模型能从更广泛的知识源中提取有效信息，使预测准确度显著提升。

研究采用了三项关键技术：1）基于KNN(k-最近邻)算法的相似产品识别系统，利用欧氏距离量化产品相似性；2）多源知识整合架构，包括加权平均(MSWA-TL)、切换式(MSSB-TL)和多层融合(MSML-TL)三种迁移策略；3）递归特征消除(RFE)技术优化特征选择流程。实验数据来自Store Item Demand Challenge等三个公开数据集，通过重构数据模拟层级供应链结构。

研究结果部分，通过"固定交货期与可变安全库存"实验显示，MSML-TL-RFE在静态供应链中实现最低总成本32,298美元，较传统方法降低7.2%。在"动态交货期"场景下，该方法仍保持最优表现(39,909美元)，验证了模型的鲁棒性。"行为敏感性分析"揭示3个知识源可实现最佳性价比，继续增加至9个源虽使准确度(1/RMSE)提升至5.75，但训练时间剧增3倍。统计检验证实MSML-TL-RFE的RMSE显著优于其他方法(p<0.005)。

这项研究的重要价值在于：首次通过供应链仿真量化了迁移学习对运营成本的影响，证明信息共享可使平均预测误差降低13.5%。提出的MSML-TL-RFE框架为小企业提供了数据匮乏情况下的决策工具，其设计的"成本-精度-时间"三维评估模型(图15-16)可指导企业根据实际需求选择最优预测方案。未来研究可探索并行训练架构加速多源知识整合，以及将RFE技术拓展至LSTM等时序模型，进一步提升预测效率。