《Operations Research Perspectives》：Ensemble learning with minimal features for demand forecasting and scenario-based multi-criteria decision-making for environmental sustainability
编辑推荐：
集成学习框架整合了经典时间序列模型、DeepAR深度概率模型及支持向量回归(SVR)元学习器，用于需求预测与基于情景的多准则决策(MCDM)分析，以支持环境可持续性。研究采用无分布假设的移动分块自举法生成经验预测区间，并将概率预测结果输入最优最差法(BWM)与
集成学习框架整合了经典时间序列模型、DeepAR深度概率模型及支持向量回归(SVR)元学习器，用于需求预测与基于情景的多准则决策(MCDM)分析，以支持环境可持续性。研究采用无分布假设的移动分块自举法生成经验预测区间，并将概率预测结果输入最优最差法(BWM)与模糊TOPSIS(Technique for Order of Preference by Similarity to Ideal Solution)框架，评估不同废弃物处理策略。实验结果表明，SVR堆叠集成模型预测准确率达到94.13%，较经典模型提高约6%，较单一概率模型提高约3%。研究进一步构建了低、中、高三种废弃物产生情景，通过情景化MCDM方法比较不同处理策略的适用性，为塑料制造业的可持续生产规划与废弃物管理提供了集成决策支持。
**基于集成学习与情景化多准则决策的塑料制造业环境可持续性研究解读**
**一、研究背景与问题提出**
塑料制造业是现代工业体系的重要支柱，其产品广泛应用于电子、汽车、医疗及日常消费领域。然而，伴随工业化和人口增长，全球塑料产量持续攀升，由此引发的塑料废弃物管理和环境污染问题日益严峻。尽管可持续发展研究已强调绿色制造的重要性，先进的化学回收技术和基于机器学习的分选方法也取得了显著进展，但现有研究往往将上游生产规划与下游废弃物管理割裂对待。这种缺乏整合的研究范式导致产品生命周期分析趋于复杂化，环境策略的实际效能受限。具体而言，制造系统本质上受需求不确定性影响，而现有废弃物管理策略设计时往往忽略这一因素，多依赖确定性或简化假设，难以捕捉实际运营的变异性。
需求预测作为生产计划的核心环节，其准确性直接影响产量设定、资源配置、运营调度乃至废弃物处理方式。传统时间序列预测方法，如ARIMA(Autoregressive Integrated Moving Average)、ETS(Exponential Trend Smoothing)、UCM(Unobserved Components Model)等，通常依赖高斯分布假设，并倾向于提供单点预测，忽视了预测区间内的不确定性。尽管现代机器学习与深度学习方法在捕捉复杂非线性模式方面展现出优势，但其可解释性不足、对训练数据量和预处理要求较高。不同研究对经典与现代方法的相对优劣甚至得出相悖结论，表明预测方法的有效性高度依赖应用领域特征和数据可用性。在此背景下，如何构建兼具鲁棒性与准确性的预测框架，并将预测结果有效融入废弃物管理决策，成为亟待解决的研究问题。
**二、研究内容与核心发现**
针对上述挑战，本研究提出一个集成的决策支持框架，将需求预测与废弃物管理规划显式统一。该框架包含两个主要阶段：第一阶段为预测阶段，采用混合集成学习方法提升预测性能；第二阶段为多准则决策阶段，将预测输出嵌入MCDM框架，评估不同废弃物处理策略在不同需求情景下的适用性。研究以越南某塑料制造企业的单一产品(M_217)销售数据为案例，数据涵盖2016年1月至2024年11月约8.8年的日度记录。
研究得出以下核心结论：第一，所提出的SVR堆叠集成模型在预测准确率上达到94.13%，较经典模型提高约6%，较单一概率模型DeepAR提高约3%；第二，通过移动分块自举法生成的经验预测区间在80%和90%预测区间水平上实现了完全的经验覆盖率，而对比模型覆盖率仅为50%或更低；第三，在不同废弃物产生情景下，机械回收在低、中情景下表现最优，而在高废弃物情景下协同处理成为最佳选择，表明废弃物管理策略需随需求情景动态调整。该研究发表于《Operations Research Perspectives》。
**三、关键技术方法**
研究采用的主要技术方法包括：(1) 移动分块自举法(moving block bootstrap)，用于生成经验预测区间，克服传统高斯分布假设的限制；(2) 堆叠集成学习(stacking ensemble learning)，以SVR作为元学习器动态组合四个经典模型(ETS、SARIMA、UCM、Prophet)与DeepAR深度概率模型的预测输出；(3) 最优最差法(BWM)确定评价准则权重；(4) 模糊TOPSIS方法在不确定性条件下对备选方案排序。数据预处理方面，研究对M_217产品日度销售数据中的196个缺失值进行了识别并视为无销售日，使用Tukey栅栏法处理异常值。案例研究中专家团队由3名塑料制造领域专业人员组成。
**四、研究结果分析**
**4.1 预测阶段结果**
预测阶段比较了SVR堆叠集成模型、ETS、Prophet、DeepAR及等权平均集成模型的点预测精度。结果显示，SVR堆叠集成模型以94.13%的预测准确率(FA)位居首位，在MAE、RMSE、MAPE、WMAPE等误差指标上均取得最低值。DeepAR以8.47%的WMAPE显著优于所有经典模型。Diebold-Mariano(DM)检验进一步表明，SVR堆叠模型与Prophet及等权平均集成模型之间的预测精度差异具有统计显著性，而与ETS和DeepAR的差异未达显著水平，说明所提方法在保持竞争力的同时有效提升了预测精度。
在概率预测评估方面，通过200次重复运行检验了模型泛化能力，训练与测试误差统计量相近，未出现过拟合迹象。在p-risk指标比较中，SVR堆叠模型在0.5和0.1分位水平上取得最低平均风险值。预测区间评估表明，SVR堆叠模型的CRPS(71,310.90)较次优的DeepAR(117,417.14)降低了约39.3%，并在50%、80%、90%预测区间水平上取得最低的Winkler分数，说明该模型在区间锐度与校准性之间实现了有效平衡。
**4.2 多准则决策阶段结果**
基于预测结果定义的三种废弃物产生情景(低<25%、中25%–75%、高>75%的总产量)，研究应用BWM-Fuzzy TOPSIS框架对五种废弃物处理替代方案(机械回收、填埋、外包处理、热解、协同处理)进行评估。准则权重显示，成本(0.2138)是最重要的评价准则，其次是环境影响(0.1793)。在低情景下，机械回收以CC值0.7362排名首位；中情景下机械回收仍居首(0.7343)；但在高情景下，协同处理以0.7128的CC值超越机械回收(0.6607)成为最优方案。填埋在三种情景下均保持相对稳定的中游排名，而外包处理和热解在所有情景下排名靠后。
**4.3 敏感性分析结果**
通过蒙特卡洛模拟(1000次，共200,000次模拟)对准则权重进行±30%范围内的随机扰动，以检验MCDM框架的稳健性。结果显示，机械回收在约75%的模拟中保持第一排名，展现出较强的稳健性；协同处理虽有时进入前三位，但位次变动较大；填埋主要停留在第三位，仅19次被选为首选方案。平均CC值分析进一步验证了这一趋势。上述结果表明所提出的集成预测-MCDM框架在权重不确定性条件下具有较好的稳定性。
**五、讨论与结论**
研究讨论指出，成本在废弃物管理决策中占据主导地位，但新兴技术特别是人工智能驱动的流程优化有望降低运营成本，从而改变各方案的相对竞争力。当前成本竞争力较弱的方案(如热解)可能随技术进步而提升其经济可行性。研究强调，不同废弃物产生水平需要不同的管理策略，而非在所有情景下依赖单一方案。
研究结论部分指出，本研究推进了可持续制造框架中上游生产规划与下游废弃物管理的整合。所提出的框架将需求预测与废弃物管理统一为单一决策支持系统，使概率需求预测直接为基于情景的多准则决策提供信息。这一整合对越南塑料制造业尤为重要，该行业的生产规划常以历史需求模式为主导，未充分考虑预测不确定性，可能导致过度生产、库存过剩和不必要的材料浪费。通过弥合这一鸿沟，所提框架使生产计划和废弃物处理策略与预期市场需求更紧密对齐，从而改善资源利用效率，减少运营低效，并在整个产品生命周期中促进更可持续的决策。研究的贡献不仅在于改进预测方法，还在于建立了一个将预测不确定性与环境可持续性和运营决策相连接的实践可部署框架。未来研究可考虑引入先进的transformer架构或基础预测模型、扩展多产品多材料验证场景，以及将废弃物收集规划纳入框架以构建更全面的供应链模拟体系。
