一种基于动态融合与推理修正的产品生命周期曲线预测方法

《Engineering Applications of Artificial Intelligence》：A product life cycle curve prediction method via dynamic fusion and inference rectification

　　

在数据稀疏和需求波动的条件下，对新产品进行准确的产品生命周期（PLC）曲线预测是一项挑战。由于新产品历史数据的可用性有限且未得到充分利用，具有预先指定函数关系的传统预测方法（如Bass模型和指数平滑模型）在捕捉新兴市场动态和特定产品特征方面受到限制。为了解决这个问题，PDFSR-RSI（Prior-Driven Fusion with Structure Refinement - Rectification with Statistical Inference）框架将先验驱动与结构修正（PDFSR）以及统计推理修正（RSI）整合到一个两阶段的预测过程中。PDFSR可以有效地将来自类似产品的多个异构原型聚合为针对每个新产品特定特征量身定制的先验PLC曲线。在PDFSR中，稀疏优化后处理（SOPP）机制减轻了置信度失真，而随机森林（Random Forest, RF）模型增强了信息匮乏环境下的非线性表示能力。随后，RSI通过一种非参数统计机制动态修正结构偏差，该机制利用从早期销售数据中提取的调整信号。使用快时尚电子零售商Babylonlinedress的数据进行的经验验证表明，研究人员提出的PDFSR-RSI框架纠正了数据稀缺下的结构偏差，从而提高了PLC预测准确性，并在波动的环境中支持更稳健的决策制定。

在当今竞争激烈的商业环境中，企业越来越依赖持续的产品创新来推动增长并维持竞争优势，新产品的引入在企业收入和利润中占据重要比重。然而，新产品从上市到商业成功的道路充满了不确定性，大量产品由于需求预测不准确和无法应对波动的需求及动态变化的市场而遭遇失败。在此背景下，准确的产品生命周期（Product Life Cycle, PLC）预测从一种运营工具上升为企业的战略必需品。准确的预测不仅能为完整的生命周期销售轨迹提供清晰的视图，还能降低新产品开发中的供应链风险。然而，在实践中，由于历史信息稀疏、需求高度不确定以及产品创新速度加快，PLC曲线表现出显著的波动性和结构异质性，与传统的S型或钟型轨迹大相径庭。传统的曲线拟合预测方法由于依赖过于平滑的函数形式，难以适应尖锐的拐点或多样的曲线几何形状。虽然现有研究提出了基于原型的方法，即利用类似产品的历史PLC轨迹来推断新产品曲线，但这些方法存在两个关键局限：第一，往往使用单一的平均代表性原型，忽视了历史与新产品之间的异质性以及其他类别的互补信息；第二，当原始学习的原型与新产品的实际PLC曲线之间存在显著的结构或数值偏差时，现有基于贝叶斯更新的方法高度依赖先验分布假设，在早期销售数据稀疏且嘈杂时，极易过拟合并继承先验偏差。为了解决这些问题，研究人员开展了相关研究，提出了一种结合预发布先验构建与早期销售数据统计修正的两阶段预测框架（PDFSR-RSI），该研究发表于《Engineering Applications of Artificial Intelligence》。

在关键技术方法方面，研究人员利用来自跨境电商平台Babylonlinedress的1166个时尚产品（SKU）的数据集构建了样本队列。研究主要采用了三项关键技术：首先，使用K-Means聚类算法对归一化的历史PLC曲线进行处理，以发现并提取具有代表性的原型模式；其次，引入随机森林（Random Forest, RF）模型作为分类器，根据新产品特征预测其属于各个原型类别的概率；最后，提出了一种非参数统计推理机制，利用新产品的早期预售数据对先验预测曲线进行动态修正与校准，以消除结构偏差。

在研究结果部分，研究包含了以下几个核心发现：在“基于特征感知聚类的类别概率估计”方面，研究人员比较了六种分类算法在预测新产品类别概率分布时的表现。结果表明，随机森林（RF）模型凭借其集成结构和非参数灵活性表现最佳，在FBS（卖家自发货）和FBAFBS（从FBS过渡到亚马逊物流）履约模式下的准确率分别达到0.9531和0.9151，显著优于线性判别分析（LDA）等次优模型。这证明了RF在捕捉价格、款式与成本等特征之间非线性交互作用方面的优势。

在“融合策略的性能评估”方面，研究比较了非融合（NF）、静态融合（SF）与研究人员提出的PDFSR动态融合策略。结果显示，PDFSR在两种履约场景下均实现了更高的预测准确性。在FBS场景下，相较于NF策略，PDFSR将整体均方根误差（Root Mean Squared Error, RMSE）降低了15.07%；在FBAFBS场景下，将整体平均绝对误差（Mean Absolute Error, MAE）降低了23.54%。这表明PDFSR能够有效捕获类别内销售趋势和跨类别互补模式，减轻因先验误分类导致的预测偏差。

在“通过RSI优化融合策略”方面，研究人员评估了引入早期预售数据对预测曲线的调整作用。发现在FBS场景下，动态预售数据有效减少了产品生命周期初期的预测误差，使预测曲线更紧密地跟踪销售轨迹的快速变化；在FBAFBS场景下，RSI不仅减少了短期预测误差，还缓解了履约模式转换期间的需求急剧波动，增强了模型在供应链重组期间的稳定性。

在“模型性能评估与分析”方面，全面的性能对比验证了PDFSR-RSI框架的优越性。在预测准确性上，PDFSR-RSI框架在FBS设置下，其MAE比PDFSR降低了25.08%；在存在履约切换的FBAFBS情况下，其RMSE比PDFSR降低了10.15%。在不确定性管理方面，长短期记忆网络（Long Short-Term Memory, LSTM）产生的缺货率为76.56%，而PDFSR-RSI将其大幅降至25.47%。此外，Diebold-Mariano（DM）检验的结果在统计学上支持了PDFSR-RSI在信息匮乏场景下相较于基准模型的显著优势。

在讨论与结论部分，研究人员总结了该研究的核心贡献。研究提出的PDFSR-RSI两阶段预测框架整合了产品属性和动态预售信号，通过PDFSR与SOPP优化及基于RF的置信度估计聚合多个异构原型，并利用RSI通过非参数统计推断动态更新先验预测。实验表明，将预售数据与跨类别生命周期信息相结合，不仅提高了预测准确性，还纠正了由数据稀缺和原型不匹配引发的结构偏差。该方法在早期数据稀疏阶段有效调整了先验预测，降低缺货和库存积压风险。尽管该研究在单一零售商数据上取得了显著成效，但研究人员也指出，未来研究可引入多源数据、结合社交媒体和宏观经济波动等外部因素，并将预测框架嵌入定价与促销等复杂运营决策中，以进一步拓展框架的适用性和预测精度。