间歇性需求预测的特征工程:GRU、LSTM与TCN架构中的零值检测与预测性能

《JOURNAL OF INTELLIGENT MANUFACTURING》:Feature engineering for intermittent demand forecasting: zero-detection and forecast performance across GRU, LSTM, and TCN architectures

【字体: 大 中 小 】 时间:2026年08月30日 来源:JOURNAL OF INTELLIGENT MANUFACTURING 7.7

编辑推荐:

  准确的间歇性需求预测对深度学习方法而言仍是一个持续的挑战,部分原因在于传统误差指标在捕捉零需求预测性能方面的不足。本研究通过引入Z%和NZ%两种分解精度指标来弥补这一空白,这两种指标分别量化模型正确预测零需求和非零需求期间的能力,揭示了零需求与非零需求预测之间

  
准确的间歇性需求预测对深度学习方法而言仍是一个持续的挑战,部分原因在于传统误差指标在捕捉零需求预测性能方面的不足。本研究通过引入Z%和NZ%两种分解精度指标来弥补这一空白,这两种指标分别量化模型正确预测零需求和非零需求期间的能力,揭示了零需求与非零需求预测之间的性能权衡,并考察了它们在不同程度的聚集性下与整体预测精度的关系。利用源自19个真实需求数据集和20种特征工程策略的近1140个预测场景,本研究系统评估了三种深度学习架构:GRU、LSTM和TCN。结果表明,组合滞后特征在WMAPE%和Z%方面带来最显著的改进,而单独的零模式特征需要时间滞后背景才能显示可靠收益,但若孤立使用则会失效。零特征与滞后特征的组合成为最稳健的配置,在所有深度学习架构中同时在两个指标上产生显著改进,凸显了零模式与时间需求信息之间的互补关系。GRU和LSTM优于TCN,后者无论特征配置如何,其利用零模式信息的能力均有限。相关分析显示Z%与WMAPE%之间存在负相关,且随着间歇程度的增加而增强(合并r = ?0.495,ADI ≈ 2.00),证实了随着需求稀疏性增长,零检测精度的关键作用日益凸显。进一步分析表明,Z%的改进与库存水平降低密切相关,但可能增加缺货风险,而NZ%的改进则呈现相反效应,凸显了库存与服务水平之间的基本权衡。这些发现强调了Z%的诊断价值以及NZ%的互补但次要作用,为间歇性需求预测中的特征工程、模型行为和深度学习架构选择提供了经验性指导,对运营决策具有直接影响。
**论文解读:基于特征工程的间歇性需求深度学习预测——Z%与NZ%分解指标的诊断价值与架构比较**

**一、研究背景与问题提出**

间歇性需求预测在航空备件、汽车零部件、军事装备、医疗器械、可再生能源系统、半导体技术及电信基础设施等众多关键工业领域具有重要的应用价值。间歇性需求的特征在于零星的非零需求事件与长时间零需求期间交替出现,形成高度不规则、可预测性低的时间序列。当需求的发生频率和规模均显著变化时,这种模式通常被称为"聚集性需求"(lumpy demand),要求预测方法能够同时判断需求是否发生以及估计其规模——这是一个传统的统计方法难以有效应对的双重分类-回归问题。

尽管深度学习(DL)方法因其模拟复杂时间依赖性和稀疏数据非线性模式的卓越能力而展现出巨大潜力,但其性能高度依赖于输入特征的质量。原始需求时间序列可能无法为模型提供足够的信号来区分结构性零值(固有的需求缺失)和随机性零值(需求抑制或数据伪影),也难以识别预测需求发生和规模的重现时间模式。然而,现有研究主要使用聚合误差指标(RMSE、MAE、MAPE)评估模型性能,这些指标将零需求和非零需求的预测精度混合为单一度量,无法揭示模型是否系统性失败于预测零需求期间(导致库存积压)或持续遗漏需求事件(造成缺货)。这一方法论缺陷促使研究者开发能够分别量化零需求和非零需求分类性能的诊断性指标。

现有文献中尚缺乏针对深度学习架构下特征工程策略的系统性研究,特别是滞后特征(lag features)与零模式特征(zero-pattern features)的相对有效性、最优组合及其对零需求与非零需求预测精度的差异化影响。该研究旨在填补这些空白,论文发表于《JOURNAL OF INTELLIGENT MANUFACTURING》。

**二、主要技术方法**

研究人员提出Z%(零需求预测精度)和NZ%(非零需求预测精度)两种分解精度指标,分别量化模型正确预测零需求期间和非零需求期间的比例。实验采用19个来自M5竞赛数据集(Makridakis et al., 2022)的真实间歇性需求数据集,按平均需求间隔(ADI)分为低间歇性(ADI≈1.32,约24%零值)、中间歇性(ADI≈1.60,约38%零值)和高间歇性(ADI≈2.00,约50%零值)三组。研究设计了20种特征工程配置,涵盖时间基线特征、滞后需求特征(L1、L2、L3、L5、L6、L12)和零需求特征(需求类型Ty、零计数器Zc、零流Zs、变化率Ch),并分为四组实验:A组检验各特征独立效果,B组检验滞后特征组合,C组检验零特征组合,D组检验滞后与零特征组合。研究系统评估了三种深度学习架构:GRU、LSTM和TCN,所有模型采用24周期输入序列映射至12周期预测范围的编码器-解码器序列到序列设计,使用Adam优化器、MSE损失函数和基于阈值的取整策略生成非负整数需求预测。模型性能通过WMAPE、Z%、NZ%、RRMSE、MASE、库存和缺货七项指标评估,并与XGBoost(机器学习方法)和TSB(传统方法)基准进行比较。统计显著性通过Friedman检验、Wilcoxon符号秩检验和配对t检验验证。

**三、研究结果**

**3.1 深度学习与机器学习和传统方法的比较**

基線案例(wo)下,Friedman检验显示DL(GRU、LSTM、TCN)、ML(XGB)和传统(TSB)方法在所有数据集上各指标均无显著差异,表明无特征工程时各方法性能相当。而在特征增强案例(Ls(3)+Zs)下,各方法间出现显著差异,DL模型(尤其是GRU)获得最佳平均秩,证实其利用时间和零需求特征的能力。这一结果证明DL的优越性是有条件的,特征工程是释放深度学习在间歇性需求预测中潜力的关键推动因素。

**3.2 Z%和NZ%的验证**

以数据集LM10为例,四个实际零需求观测在所有场景中均存在。Z%在不同架构和特征配置间差异显著:GRU从无特征时的25%提升至Ls(6)或Ls(6)+Zs时的75%;LSTM在Ls(6)下达到完美分类(100%),但在Zs下急剧降至25%;TCN响应最弱,仅组合特征(Ls(6)+Zs)产生有意义的改善。NZ%呈现差异化行为:GRU从基线50%提升至87.5%(Ls(6)、Zs及其组合),LSTM在Ls(6)下达100%,TCN从37.5%提升至87.5%(Ls(6))。这些结果验证了Z%和NZ%能捕捉聚合误差指标无法获取的诊断信息。

**3.3 特征工程对预测性能的影响**

对WMAPE:GRU的滞后组合和滞后-零组合提供最大且最稳定的改进(平均+25.92%和+27.86%);LSTM的滞后组合最有效(平均+22.41%),Ls(6)增益最高(+29.77%);TCN仅结构化组合有效,Ls(6)+Zs达+19.61%,而单独零特征显著恶化性能(?30.65%)。

对Z%:GRU的滞后组合平均提升+56.69%,Ls(6)最高达+89.5%;LSTM的滞后-零组合最稳定(+32.67%);TCN的滞后组合提升+43.44%。跨所有架构,滞后组合(特别是Ls(6)和Ls(3))一致提供最大增益,孤立零模式特征无效甚至有害。

显著性检验显示:GRU和LSTM中所有特征配置均显著改善WMAPE(Wilcoxon p≤0.03/0.04)和MASE,Z%提升范围约68%至108%;TCN呈混合响应,Ls(6)+Zs显著改善(?20.24%),而Zm和Ch显著恶化(+39.3%和+30.88%)。所有模型在RRMSE和NZ%上均无显著变化。

**3.4 Z%和NZ%与预测性能的相关性**

Z%与WMAPE和MASE在聚合数据集上呈一致且显著的负相关。随间歇性增强,相关性从LL组的弱且常不显著(GRU: r=?0.127,p=0.207)增强至LM和LH组的中等到强相关(GRU: r=?0.561 in LH),合并相关系数在ADI≈2.00时达r=?0.495。NZ%的相关性较弱且不一致:LL组部分模型呈显著负相关(TCN: r=?0.645),但在LM和LH组关系不稳定甚至反转(TCN在LM组WMAPE呈正相关r=0.240)。这表明Z%在高度间歇性场景中是预测精度的关键驱动因素,而NZ%作用次要且依赖情境。

**3.5 运营绩效的影响**

Z%与库存呈一致显著的负相关(GRU在LH组r=?0.729),表明高零需求检测精度直接减少过度库存;但Z%与缺货在LM和LH组呈正相关(GRU在LH组r=0.438,TCN r=0.611),揭示改善零检测可能增加缺货风险。NZ%则相反:与库存呈正相关(GRU r=0.407),与缺货在LM和LH组呈显著负相关(GRU r=?0.666 in LH)。这凸显了库存-服务权衡的基本机制。

**3.6 架构比较**

GRU与TCN比较:7项显著差异全部有利于GRU,集中在含零模式特征的配置中(Zm差异?26.9%,Ty+Zc差异?23.3%),表明GRU的循环门控机制更有效地利用零需求信息。LSTM与TCN比较:9项显著差异全部有利于LSTM,跨越单独滞后(L5差异+120.8%)、零特征(Zc差异+62.7%)和组合特征,表明LSTM更系统地优于TCN。GRU与LSTM比较:预测精度上无显著差异,仅在次要和运营指标上出现个别配置差异,表明两种循环架构在间歇性需求预测中可互换使用。

**四、讨论与结论**

Z%作为诊断指标具有实践价值,能够揭示WMAPE无法识别的模型和特征敏感性。特征工程是性能改进的主要驱动因素,滞后组合特征(特别是Ls(6))和Ls(6)+Zs组合是最稳健的配置。架构层级明确:GRU和LSTM表现相当,TCN因固定卷积结构难以有效利用零模式信息而持续落后。Z%与预测精度的关系受间歇性程度强烈调节,在高度稀疏场景中零检测精度成为整体预测质量的关键决定因素。研究结果揭示了预测-运营的基本权衡:Z%改进降低库存但增加缺货风险,NZ%改进则相反。结论部分总结为五点:验证了Z%作为分解诊断指标的实践意义;确认滞后组合特征和Ls(6)+Zs为最优特征配置;建立GRU/LSTM优于TCN的架构层级;证实Z%与预测精度相关性随间歇程度增强(合并r=?0.495);揭示预测-运营间的库存-服务权衡。研究的局限包括数据集仅限于零售行业(M5竞赛数据)、超参数通过迭代调优而非正式网格搜索确定、未进行形式化感受野分析、排除概率预测和计算效率比较。未来工作方向包括将Z%纳入模型训练作为自定义损失函数、探索零模式特征的替代编码策略、在更广泛的间歇性特征上验证、以及扩展到基于Transformer和混合架构的基准测试。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号