《Supply Chain Analytics》:An analytics-driven hybrid method for multi-item demand forecasting in supply chains
编辑推荐:
本研究提出了一种新的基于深度学习(DL)的多物品需求预测方法,用于多波次分销网络。在现代商品供应系统中,传统的预测技术,如移动平均法和自回归积分滑动平均(ARIMA)模型,通常不足以捕捉销售与运营规划的动态特性,因为它们在处理非平稳需求、不断变化的市场条件以及
本研究提出了一种新的基于深度学习(DL)的多物品需求预测方法,用于多波次分销网络。在现代商品供应系统中,传统的预测技术,如移动平均法和自回归积分滑动平均(ARIMA)模型,通常不足以捕捉销售与运营规划的动态特性,因为它们在处理非平稳需求、不断变化的市场条件以及日益复杂的供应链网络时存在困难,导致预测结果既不够准确也不够及时。为了解决这些局限性,该研究评估了一种混合预测框架,该框架将多元线性回归(PLR)与变换器编码器扩展长短期记忆(TE-LSTM)架构相结合,以从大规模异质数据集中识别潜在需求模式。一项实证分析将所提出的PLR-TE-LSTM模型与基线方法(如标准LSTM)在多个产品和分销地点上进行了比较,结果显示,在多产品、多分销中心的环境中,该模型的预测性能始终更优。该研究进一步通过评估在固定批量补货策略下的替代库存审查策略,考察了改进预测的运营影响,结果表明,在预测准确性、订单履行绩效、库存持有成本和服务水平方面均有显著改善。研究结果指出,所提出的DL框架通过减少过剩库存和缺货风险,增强了与库存相关的决策,从而提高了复杂分销网络中的效率和响应能力。
**论文解读:基于PLR-TE-LSTM混合模型的多物品需求预测与库存管理优化**
**1. 研究背景与问题提出**
在当今动态的供应链环境中,需求预测是物流与供应链管理有效性和可持续性的关键要素。随着电子商务的普及和供应链的全球化,需求数据呈现出非平稳、动态和多维度的特征。传统的预测方法,如移动平均法、指数平滑法和自回归积分滑动平均(ARIMA)模型,虽然在相对稳定的环境中表现良好,但在处理现代复杂、多物品、多节点分销网络中的非线性关系、长期依赖性和变量间交互作用时,显得力不从心。这些传统方法无法有效捕捉需求模式中的隐藏规律,导致预测结果不够准确和及时,进而引发库存积压、缺货风险增加以及运营效率低下等问题。
为了克服这些局限性,研究人员需要开发更先进的方法。机器学习(ML)和深度学习(DL)模型,如多层前馈人工神经网络(MLFANN)和长短期记忆(LSTM)网络,虽然能够学习复杂模式,但各自也存在局限性,如MLFANN在序列建模方面不足,而LSTM在处理极高维数据和复杂变量交互时可能面临梯度消失问题。因此,提出一种能够同时处理线性与非线性关系、捕捉长期时间依赖、并具备高可解释性的混合模型,成为解决当前多物品需求预测难题的关键。本研究旨在填补这一空白,开发一个鲁棒的、可解释的、并能与库存决策系统有效集成的预测框架。该论文发表在《Supply Chain Analytics》。
**2. 主要技术方法(不超过250字)**
研究人员为开展研究,采用了以下主要关键技术方法:
首先,数据来源于一家孟加拉国领先的制造与分销公司,包含一年内多个库存单位(SKU)的库存水平、客户需求、延期交货、交付延迟和履约数据等真实交易记录,共计7000条记录,用于评估模型。
其次,构建了混合预测模型PLR-TE-LSTM:该模型首先利用**多元线性回归(PLR)** 进行特征提取,捕捉输入变量间的线性和交互效应;接着,**变换器编码器(TE)** 通过自注意力机制捕获序列数据中的长期依赖关系;最后,**长短期记忆(LSTM)** 网络用于记忆和保留时间序列中的长期信息,解决梯度消失问题。
最后,研究采用**遗传算法(GA)** 对模型的超参数(如LSTM单元数、注意力头数、学习率、批量大小和丢弃率)进行优化,以最小化验证集上的均方误差(MSE),从而提升模型的预测性能。
**3. 研究结果**
**3.1 预测性能对比(Validation framework)**
研究人员通过对比实验,评估了PLR-TE-LSTM模型与LSTM、ARIMA、随机森林、XGBoost和支持向量回归(SVR)等五种基准模型在测试集上的预测性能。结果表明,PLR-TE-LSTM模型在所有评估指标上均表现最佳,其平均绝对误差(MAE)为15.2,均方误差(MSE)为245.6,归一化均方根误差(NRMSE)为0.0608,显著优于其他模型。例如,其MAE相比LSTM(20.4)和ARIMA(25.8)分别降低了约25%和41%。
**3.2 统计显著性检验(Statistical significance)**
为了验证PLR-TE-LSTM模型性能提升的统计显著性,研究人员采用了Diebold-Mariano(DM)检验。该检验比较了模型预测误差的差异。结果显示,PLR-TE-LSTM模型与LSTM模型(DM统计量=2.35,p值=0.019)以及与ARIMA模型(DM统计量=3.92,p值<0.001)的预测精度差异均在5%的显著性水平上显著。这表明,PLR-TE-LSTM模型性能的优越性并非偶然,而是具有统计意义上的显著提升。
**3.3 敏感性分析(Sensitivity analysis)**
为了评估预测模型对库存管理决策的运营影响,研究人员在连续审查(s, Q)补货系统下进行了敏感性分析。通过调整订货成本、单位持有成本等参数,分析了这些变化对经济订货批量(EOQ)、总库存成本、再订货点和安全库存的影响。结果表明,PLR-TE-LSTM模型驱动的预测能够有效适应不同的成本结构,并优化库存策略。例如,在特定参数下,模型能够计算出更低的EOQ,从而降低总库存成本。
**3.4 超参数优化(Metaheuristic optimization for hyperparameter tuning)**
研究人员采用遗传算法(GA)对PLR-TE-LSTM模型进行超参数优化。表6展示了100次GA迭代的优化结果,搜索空间包括LSTM单元数、注意力头数、学习率、批量大小和丢弃率。经过10代优化,模型的MSE显著下降,预测准确率提升至94%以上。图14和图15进一步分析了LSTM单元数与丢弃率、批量大小对MSE的影响,表明适度数量的LSTM单元(150-250)和中等丢弃率(0.2-0.4)通常能获得更低的MSE。
**4. 讨论与结论**
**讨论部分总结:** 该研究的结果证实,PLR-TE-LSTM算法在多物品需求预测和库存管理方面优于随机森林、XGBoost、SVR等机器学习模型以及ARIMA等传统方法。表7的对比分析显示,PLR-TE-LSTM不仅在所有预测误差指标(MAE、MSE、NRMSE)上表现最优,而且在订单履行率(97.5%)、库存持有成本(84,301)、服务水平(97.5%)和安全库存(124单位)等关键运营指标上也实现了显著改善。例如,其订单履行率较LSTM和ARIMA分别提升了约6.5%和10.5%,库存持有成本降低了15%。这表明该模型能有效降低缺货风险和库存成本,提升供应链效率。研究假设(如需求跨SKU相互依赖、变量具有符号和水平依赖性)与常见的供应链环境一致,增强了模型的有效性和适用性。
**结论部分(翻译自原文Section 9):**
本研究旨在开发并测试一种改进的预测模型,称为PLR-TE-LSTM,以帮助解决现实中的多物品需求预测问题。简单的统计方法,如ARIMA等传统模型,以及XGBoost、随机森林和SVR等机器学习与深度学习模型,均无法捕捉当代供应链数据日益增长的非线性和序列特性。即使是专门开发的深度学习模型(如LSTM)也难以做到这一点。在所提出的PLR-TE-LSTM模型中,通过结合用于特征提取和序列建模的多元线性回归与变换器编码器,以及用于长短期记忆和库存管理的LSTM,预测和库存管理的准确性得到了显著提高。
与所考虑的模型对比显示,虽然所有其他模型对于所考虑的数据能提供合理的准确性,但都无法提供PLR-TE-LSTM的整体性能视图。该混合模型能够处理非线性、多维度和时间依赖的数据,因此适用于当代需求预测。该研究除了对预测方法的发展做出贡献外,还引入了一个有价值的工具,用于增强供应链中的决策制定,从而能够提供更好的服务、更低的成本和更高的资源利用率。