人工智能赋能的库存优化与需求预测：技术趋势、应用进展及挑战综述

《ARTIFICIAL INTELLIGENCE REVIEW》：Leveraging machine learning in balancing inventories and analyzing market trends: a comprehensive systematic review

　　

摘要

快速的市场变化、缩短的产品生命周期以及供应链中断使库存管理和需求预测的复杂性不断增加。本文综述探讨了机器学习技术和趋势分析如何提高预测准确性、降低不确定性并支持智能库存决策。从最初的116,377篇研究文献中，系统筛选出78篇论文进行详细分析。本文综述涵盖了监督学习、无监督学习、强化学习、深度学习、混合预测方法以及新兴的量子机器学习技术。随机森林、XGBoost、LSTM和时间卷积网络等模型被广泛用于需求预测和库存优化，而强化学习方法则支持自适应库存控制。该研究还突出了可解释性人工智能、韧性感知优化以及以可持续性为核心的库存系统方面的最新进展，同时讨论了与数据稀疏性、可解释性和治理相关面临的挑战。