AI赋能准时达库存管理研究报告.docx

jusaiAl赋能准时达库存管理研究报告ResearchreportoninventoryManagementofAIenablingjust-in-time需求预测+补货策略Content项目背景03项目目标05项目挑战与亮点07基于AI模型的需求预测09以随机需求预测为基础的补货策略24总结33摘要本项目旨在通过人工智能（AI）和数据驱动的管理决策等先进技术，为准时达公司打造一套高效智能的库存管理模型和算法。该模型通过精准的数据分析和预测,实现对市场未来需求的准确估计；并运用智能补货策略，确保商品的及时供应，避免库存积压和缺货。该模型不仅可以提高库存管理的效率，降低库存成本，同时还可以提高客户的满意度，增强客户的信任度和忠诚度,有助于提高企业竞争力，助力其在激烈的行业市场中保持领先地位，实现可持续发展。在库存管理的需求预测模块中，面对准时达公司供应链库存管理的复杂性、动态性和随机性等问题，传统时间序列预测模型存在明显局限,本项目构建了基于人工智能算法的多维度（日/周/月）和多周期的动态预测模型。首先,项目基于历史需求数据构建了需求特征集，并运用排列重要性测试进行特征选择，剔除冗余和噪声特征，减少模型复杂度,提升运算效率；其次，设计并实施了基于多种人工智能（AI）算法集成的先进需求预测模型,有效提升对供应商未来需求预测的精确度和鲁棒性；最后，在需求预测中引入SMAPE的误差计算用于评价模型性能，以提升预测模型在面对供应链突发事件或需求波动时的稳定性。在库存管理的补货策略模块中，本项目采用先进的智能补货策略，该策略以需求预测为核心，依据概率统计原理构建了需求分布，并且以数据驱动的报童模型为理论指导，灵活调整补货量，以实现需求与供应的动态平衡。通过应用智能补货策略，供应链参与者能够得到一系列基于未来多个周期的推荐补货策略，以及维持库存安全的最大/最小安全水位，依据所得结果可使得供应商做出更加科学?口精确的决策。最后，本项目选取了数据量较丰富的商品数据进行了实验，实验结果表明,在满足数据质量的前提下，前80%的商品的平均周预测准确率可以达到70%以上，并且对上述商品采取智能补货策略，商品的需求满足率可以达到95%以上，平均库存水平下降10%以上,表明模型表现较好。项目背景准时达作为领先的全球制造业供应链服务提供商，一直以其卓越的数字化建设能力引领着行业的发展，其数字化能力不仅体现在商品和服务创新上，更体现在对行业趋势的深度理解和快速响应上。随着产业数字化的不断深入和延伸，市场供应链的需求日益复杂，对库存及时监控和调度提出了更高要求。在传统的库存管理模式中，需求预测主要依赖于历史销售数据和人工主观判断，往往无法准确反映市场动态和客户需求的变化，例如，新商品的推出、竞争对手的策略变化和市场趋势的转变等因素都可能引起实际需求与预测需求之间存在较大差距，进而导致库存水平过高或过低，增加库存成本。补货策略通常是基于固定的规则和参数，如安全库存水平和订货点等。然而，这种方法缺乏灵活性，难以应对市场需求的快速变化和客户的个性化需求，导致企业项目背景面临缺货或库存积压的问题，对企业的运营效率和利润产生负面影响。因此，准时达公司迫切需要通过数字化技术的应用来实现库存管理的革新，实现对库存情况的实时监控和精准预测,帮助其降低库存与需求无法匹配的风险，避免因缺货、积压和滞销而产生的损失，优化库存水平和周转率，提高生产和物流的运营效率，以及及时调整库存补货计划，保证订单履约度和客户满意度。人工智能（AI）作为数字经济的关键驱动力，以其在数据处理、数据挖掘、决策支持等方面的突出表现，已经成为现代企业提高效率和竞争力的重要工具。数字供应链是现代供应链管理的重要趋势，通过数字化技术实现供应链各环节的信息共享、协同和优化。人工智能技术利用数字供应链沉淀的相关数据，帮助企业实现实时监控、预测和优化，提高供应链的响应速度和准确性。库存管理作为供应链中重要一环，其革新对于提升企业竞争力具有极其重要的意义。依托人工智能对市场需求的精准预测,从而优化库存水平，降低库存成本；通过数据驱动的决策模型,实现智能补货策略，满足市场快速变化的需求和客户的个性化需求，提高库存管理的灵活性和响应速度，从而为准时达企业带来巨大的经济效益。三l三项目运用先进的人工智能技术，以应对准时达公司在需求预测和补货策略方面所面临的挑战。通过精准的数据分析和预测模型,实现对未来市场需求的准确预测，以优化库存管理流程；通过智能补货策略的实施，确保商品的及时供应，以满足客户对高效物流的期待，从而提升公司的库存效率，降低成本，同时提高客户满意度，在竞争激烈的行业体系中保持领先地位。项目目标具体包括：(1)赋能决策基于Al的需求预测和库存补货策略能够通过对大量历史数据的分析和模型训练,实现更加准确和精细的预测。相比传统的经验依赖型方法，Al可以从数据中挖掘出更为隐蔽的规律，大大提高预测的精度,为决策者提供更为科学、客观、可靠的参考依据，从而做出更加有效的决策。(2)灵活响应AI技术可以实现对库存数据的实时监控和处理，了解市场需求的动态变化。基于实时数据，灵活地调整补货策略，及时响应市场的需求变化，提升市场动态适应性，使库存始终保持在最优状态。(3)降本增效通过精准的需求预测和库存补货策略，可以避免因过多库存而导致的资金积压和库存成本的增加，同时也能够避免因库存不足而导致的订单延迟或客户丢失的情况，从而提高了库存的周转率和使用效三l三(4)客户至上基于AI的需求预测和库存补货策略,通过确保有足够和适量的库存以满足客户需求，从而提升客户的满意度和信任度，进而巩固客户关系，保持竞争优势。(5)链路优化Al技术在库存管理中的引入可以提高整个供应链的智能化，通过库存数据精准高效的共享和协同，实现库存与供应链的优化配置和动态调整,提高了整个供应链的效率和协同能力，降低整体的运营成本。(6)先动优势随着数字经济时代的发展，基于Al的智能化管理已经成为供应链行业的必然发展趋势,通过早期的引入和应用，准时达公司可以在未来行业竞争中保持领先地位，成为准时达公司未来发展的战略优势之一。项目挑战与亮点Al赋能准时达公司库存管理的主要挑战在于复杂业务场景、缺乏真g、SKU（StockKeepingUnitl最小库存单元）多元化，IUS不确定的未来需求，导致需求预测和补货方案的复杂性。项目通过人工智能（AI）和数据驱动的管理决策等先进技术，为准时达公司打造了一套高效智能的库存管理模型。项目的挑战与亮点具体表现为：（1）需求构造，业务场景与数据模拟Al模型的预测准确性在很大程度上依赖于数据的质量和完整性。在实际业务场景的限制下，尽管缺乏真实的采购商需求数据，但该项目通过结合已有的销售信息、市场趋势、季节性因素等业务知识和历史数据,模拟出了合理的需求数据，保证数据质量和完整性，从而提高模型预姬触。（2）分层预测，应对SKU多元化的挑战面对市场庞大且SKU种类繁多的复杂情况，为每个SKU设计出合理且高效的预测方案是一项重大的挑战，为了解决这一问题，该项目采用分层预测策略，将SKU按照其各种关键特征（如商品类别、销售情况）进行分类，形成多个子组，并考虑各子组的特性和需求，为其指定相应的预测模型，提高预测的精准度，实现库存管理优化。项目挑战与亮点(3)精准预测，应对复杂多维度的业务场景传统的SKU级别预测方案存在预测结果与实际需求偏差较大的问题，该项目采用更先进的人工智能深度学习模型进行预测，通过对大量历史数据的学习，更好地捕捉数据潜在的复杂关联和趋势，更好地处理复杂的非线性关系和多维交互效应，同时引入实时数据和市场反馈信息，实现模型的动态调整，实现复杂场景需求精准预测。(4)滚动预测，应对未来需求的不确定性面对未来一段时间需求的不确定性，该项目采用了滚动预测，逐步更新预测模型以适应市场变化。通过持续收集新的数据，不断调整和优化预测模型，同时还构建了一个灵活的预测框架，通过对各个商品进行多维度、多周期的需求预测，快速响应市场波动，以提高预测的适应性和鲁棒性。(5)拟合需求分布，应对补货策略中的波动风险以数据驱动为基础的报童模型是一种融合了报童模型和现代数据分析技术的库存管理方法，通过最优化单期商品的订购数量，以使库存成本和缺货成本最小化。但是报童模型通常假定需求是随机的，遵循已知的概率分布。在实际情况下，企业通常只有历史的需求数据,需要通过预测来拟合随机需求分布，应对未来可能出现的需求波动，降氐补货策略的风险。基于AI模型的需求预测在库存管理的需求预测模块中，项目利用先进的人工智能（Al）模型，基于过去一段时间内采购商的需求数据，使用时间序列预测模型对商品未来的需求进行多维度、多周期预测；在此基础上，进一步进行滚动预测，帮助企业在短时间内做出更加灵活的决策，以及时满足市场的动态变化。人工智能（AI）预测模型学习的数据主要来源于准时达的商品出库（outbound）数据集,该数据集包含了20202023年的主要出库记录，具体包括以下关键信息（见表1）：表1出库信息数据集数据名数据描述customer_name顾客名称supplier_name供应商名称manufacture_name制造商名称eta出库时间customer_part_no顾客零件号supplier_part_no供应商零件号site_db仓库位置quantity出库数量4.1 基于深度学习的时间序列预测模型时间序列预测是一种通过分析历史数据的模式和趋势,建立数学模型，对未来数据进行定量预测的统计技术。根据实现原理的不同，可以分为传统统计学方法和人工智能方法。传统统计学方法是基于时间序列的数学模型，通过拟合历史数据的趋势、周期、季节性等因素，来预测未来数据的变化。适用于数据较为平稳，无明显异常值，且具有一定规律性的情况。人工智能预测方法，主要包括非深度学习和深度学习两种方法,非深度学习方法主要指基于特征工程和机器学习模型，通过提取时间序列的特征，预测未来数据；深度学习方法主要指基于神经网络的深度学习模型，通过利用神经网络的强大拟合能力,来学习时间序列的内在特征和动态变化，预测未来数据，其适用于数据量较大，存在复杂的时序依赖、且需要考虑长期记忆的情况。4.1.1 传统时间序列预测模型的局限性ARIMA(自回归移动平均)是一种著名的传统时间序列预测模型，可以有效地预测需求，捕获其历史库存需求数据的波动，描述当前需求值与历史值之间的关系，且模型借助内生变量构建，不受外生变量影响，可很好地解决外界因素对于准时达需求预测的干扰。ARIMA模型结构如下：(V=(B)|2厂"；)二。葭"，)二弓,E(GR)=0.sW/>te(J=,</J其中，同是期望为0的白噪声序列，vj=(l-/中，d为使原始时间序列成为平稳序列所做的差分次数(阶数)，()=l-1-.-zX为模型中的自回归部分，为自回归项数,出-一0"为模型中的移动平均部分，夕为移动平均项数，记作ARlMA(P,d,q)模型。本项目尝试使用ARlMA模型对时间序列进行预测,发现效果较差，这是由ARIMA模型的特性决定的：(1) ARIMA模型要求时序数据是稳定的，或者是通过差分化后是稳定的。(2)ARIMA模型本质上只能捕捉线性关系，而不能捕捉非线性关系。在本项目中，需求数据是来自于采购商的出库数据，由于市场需求的快速变化和客户的个性化需求，以及SKU的非线性关系和多维交互效应，导致数据情况十分复杂,难以满足以上两点，所以基于ARIMA等统计学模型的效果较差。4.1.2 基于深度学习的时间序列预测模型及其优势面对准时达公司供应链库存管理的复杂性、动态性和随机性等问题，传统时间序列预测模型存在明显局限,本项目选择了人工智能技术中的重要组成部分深度学习算法构建了时间序列预测模型。通过模拟人脑神经网络的工作方式，构建深度神经网络来处理大规模数据。它使用大量的数据来训练模型，通过不断地调整神经网络的权重和参数，使得模型能够自动地学习和识别数据中的规律和模式。深度学习的核心在于使用非线性激活函数和多层神经网络结构，使得模型能够处理更复杂的数据和问题。本项目通过集成多种深度学习模型来实现准时达公司的需求预测，具体包括N-BEATS模型、DeePAR模型、TFT模型和Nhit莫型，这些模型的主要原理和特点如下：(1) N-BEATS模型N-BEATS(Neuralbasisexpansionanalysisforinterpretabletimeseriesforecasting)IMS是一种用于时间序列预测的深度学习模型,由若干感知机单元组成，依据一定策略搭建成的一种通用框架，可以快速训练，并具有一定的可解释性,可以用于处理单变量的时间序列预测问题。N-BEATS网络模型的搭建策略是从时间序列分解中获得的灵感，因此该模型的优势不仅在于能够获得准确度高的预测结果,其预测结果也具有对趋势性、季节性等时序变化的可解释能力，它可以帮助准时达公司更好地理解市场动态和客户需求，并根据不同情况进行疆口优化。N-BEATS模型框架结构如图1所示，整个模型包括多个模块（stack）,每个模块包括多个区块（block）,每个区块是N-BEATS最基础的结构模块，由多个全连接层组成。每个区块包含两个主要部分,第一个部分将输入的时间序列映射成展开系数（expansioncoefficients）,第二部分将展开系数映射回时间序列。图N-BEAT灌型架构框架N-BEATS模型特点包括自动化特征工程和高度可解释。自动化特征工程指N-BEATS模型不依赖于时间序列特定的特征工程或输入缩放,它可以自动地从输入数据中学习到适用于预测任务的基础函数；高度可解释指模型的预测结果可以通过基础函数的组合来解释，因此具有较高的可解释性，它体现在趋势项和周期项两个方面。(i)建二趋势模型的特征通常是呈线性单调递增或单调递减，并且其变化应是较为缓慢的。因此在趋势项堆栈中的线性层和偏置层被设置为y=TX其中，丁二1/,工.,门,p为一个小值，用于控制线性单调递增或递减行为的速度，使其趋势缓慢变化;，为时间向量;X为该块区中线性层和偏置层的输入；y为该块区中线性层?口偏置层的输出。周期模型通常被认为是循环往复的，有涨落规律的变化。因此在周期性堆栈中的线性层和偏置层被设置为傅里叶级数形式y=SXS=l,cos(2m),.,cos(2tfi-lr)2sin(2m),.,sin(2l-1t)其中，为时间序列向量；H为向前预测的窗口长度；X为该块区中线性层和置层的输入；y为该块区中线性层和偏置层的输出。(2)DeePAR模型DeepAR(ProbabilisticForecastingwithAutoregressiveReCUrrent)模型的基本思想是结合深度神经网络和概率建模，以生成对未来时间的预测分布。它不仅可以提供点预测，还可以给出每个预测值的概率分布，从而提供对不确定性的量化，同时具有记忆性、参数共享以及图灵完备,在时间序列的非线性特征方面的学习具有优势，能够很好地进行概率预测。ill练图2DeePAR模型架构框架由图2可知,通过给定序列的观测值，对未来观测值进行预测。左侧为训练过程，右侧为预测过程。Zu为第d个序列在，时刻的时则|直；4)为需要预测的起始时间点；时间区间上，的观测值已知，称为条件区间；加刀的观测值未知，为预测区间，丁为预测的最后时间点；X.“为在整个时间序列的时间节点上都已知的协变量。预测时，Mr。的观测值将会被输入，从而获得加,巾；止为部分,基于原始采样得到2-仆口)，且这个采样值将成为下一个时间节点的输入并反馈在其输出区间，该过程重复直到区间t三t.T的最后，并且得到相应的输出结果。DeePAR模型为获得联合条件概率分布，P(ZdMIZ"4X")采用自回归递归网络的架构，可以写成似然函数形式，即：Qe(Zd才Zd,it1j,Xii,i:T)=.lQe(Zd"Z-,X"d)=/=/011!(j(O)翱，%=HSdj-Zz,Xdj,)为RNN的输出，/7()为RNN神经网络神经元内部构成的函数，心,肺(/%)为似然函数，其可假定为一个固定分布，参数由RNN神经网络的输出hd,t和函数a)提供。DeePAR模型特点包括提供概率分布和适用性，其中，提供概率分布指DeePAR能够为每个预测时间同步提供一个完整的概率分布，从而提供了对预测的不确定性的量化。适用性指由于DeePAR对残差的分布进行建模，因此对于存在异常值的情况具有一定的鲁棒性，可以更好地处理异常情况。因此，DeePAR模型可以根据历史数据和当前状态，生成未来一段时间内每个客户订单的概率分布参数,并通过采样方法得到最可能的订单量。准时达公司可以根据不同区域和不同类型的订单量，合理分配运输资源和人力资源，并制定相应的运输计划和成本控制策略。(3)TFT模型TFT(TemporalFusionTransformer)模型是一种用于时间序列预测的深度学习模型,由GoogleBrain团队在2020年提出。TFT侬结合了TranSfOrmer架构和具有时态特性的注意力机制，旨在处理具有复杂季节性和趋势的时间序列数据。TFT支持分位数预测,对于多步预测问题的定义，可以简化成如下的公式：=EZgR.再)其中G(qJr)是在时间点t下，预测未来第r步下的夕分彳谩值，4()是预测模型，Yr”是历史目标变量，z也是过去可观测，但未来不可知的时变变量，XgE是先验已知未来的时朝量，0是静态协变量。TFT模型特点包括复杂模式处理、可解释性和灵活性,其中复杂模式处理指TFT模型特别适用于处理具有复杂季节性、趋势和周期性的时间序列数据，能够有效地捕捉这些模式；可解释性指TFT模型使用了时态特性的概念,因此它提供了对模型生成结果的一定程度的解释能力,可以了解是哪些模式影响了预测结果；灵活性指TFT模型不仅适用于单变量也适用于多变量的时间序列预测问题，可以灵活地适应不同的预测任务。总的来说，TFT模型通过结合TranSfOrmer架构和时态特性建模，提供了一种强大的框架来解决复杂的时间序列预测问题，其能够捕捉复杂的时序模式，具有良好的可解释性和适用性，有效帮助准时达公司处理具有复杂季节性和趋势的时间序列数据。(4)Nhits模型N-hits(NeuralHierarchicalInterpolationforTimeSeriesForecasting)模型通过引入新颖的层级插值和多速率数据抽样技术，针对长序列时间预测中结果波动性和高计算开销的问题提出了高效解决方案。这些先进技术赋予了Nhits模型顺序性地构建其预测框架的能力，巧妙地突显了在不同时间尺度和频率层次上的组件，实现了输入信号的精细分解与预测结果的高精度合成。通过这种方法，Nhits显著减少了时间序列的长度,极大简化了进行长期预测的难度，同时有效减少了存储需求和算力消耗,使得长时序数据的预测工作更为简便。在模型架构方面,Nhits模型是N-BEATS模型的扩展，其提升了模型预测准确度和计算效率,特别在预测长时序(Iong-horizonforecasting)时效果提升更明显。Nhits模型的整体架构和N-BEATS一致,均由若干堆叠的StaCk构建,而每个StaCk中又嵌入了多个计算模块block.N-hits模型的独特之处在于，它在每个block中引入了MaxPooI层，这样的设计实现了高效的池化(Pooling)操作，同时实现了数据的下采样，提升了预测的丰富度和精准度。最后,N-hits在每个block的输出部分施加插值技术，使输出数量达到预测HoriZon数量。在执行大范围长期预测领域的数据集实验时，Nhits模型所表现出的卓越能力，相较于现有顶尖技术，已显示出其先进的优越性。其中Nhits对于最新的TranSfOrmer架构提高了近20%的平均准确度，同时将计算时间降低了一个数量级(50倍),最后将多种模型的结果取平均值，作为最终的预测结果。(5)深度学习集成模型的优点总结本项目通过集成N-BEATs模型、DeePAR模型、TFT模型和N-hits模型来实现准时达公司的需求预测，该集成模型主要优点如下：非线性关系建模能力深度学习模型具有强大的非线性建模能力，能够捕捉复杂的时间序列之间的关系。对于多商品、多步预测问题，往往涉及到各种变量之间的非线性关系，传统的线性模型可能无法很好地拟合数据。诗征提取能力：深度学习模型可以自动地从数据中学习到更高级别的特征表示，而不需要手动提取特征。这对于复杂的时间序列问题非常重要，尤其是在处理大量商品的情况下。适应复杂多商品、多步时间序列预测问题可能涉及到多个维度的变量，而传统的时间序列模型可能难以必寸这种复杂的场景。端到或学三深度学习模型可以实现端到端的学习，从原始数据中直接学习到预测结果，而不需要手动处理数据的预处理过程，简化了模型的建立和训练过程。灵活性和泛化能力深度学习模型具有较强的灵活性和泛化能力，可以适应不同类型的时间序列数据，同时也可以在一定程度上避免过拟合问题。4.2 特征选择在执行准时达库存管理项目的需求预测分析时，项目通过精细化的方法提升预测模型的准确性和可靠性,以确保高效率和高质量的决策支持。为此,本项目采用了一种综合的特征工程策略，对于提供的历史出库数据精心构建了一系列预先设定的特征变量，这些变量被假定为可能对需求预测产生显著影响的因素。然而，特征工程的复杂性在于，并非所有预设的特征都能对模型的性能带来正面影响。实际上，某些特征可能会引入噪声，导致模型过拟合或者降低预测的泛化能力。因此，特征选择成为了一个至关重要的步骤，它旨在筛选出真正有助于提升模型性能的特征，从而实现模型精度的优化。为了实现这一目标，本项目在众多特征选择技术中采用了具有独特优势的排列重要性测试（PermutationImportanceTest）o排列重要性测试方法是一种评估特征5三型性能影响的方法，可以用于任何已经拟合的模型和表格数据，通过随机打乱每个特征的值来观察这种扰动如何影响模型性能，从而量化每个特征对模型预测准确性的贡献度。通过这种方式，可以客观地评估每个特征的重要性，并根据此优化模型的输入特征集合。其步骤如下所示：输入：拟制页测模型机、出库辘集（训练或验证）D;计算模型加在数据集。上的参考分数s（例如，分类器的准确性或回归器的*）；对于每个特征J（数据集。的列）：对于每个循环k1,2,H:随机打乱数据集D的列jl生成损坏的数据版本Dkj；计算模型相在损坏数据Dkj上的分；计算特征"的重要性£,定义为：相较于其他方法，排列重要性测试的显著优势包括其快速的计算效率、广泛的适用性、直观易懂的结果表达，以及与理论特征重要性度量的高度一致性等。这种方法的应用不仅显著提高了模型的预测准确性,而且通过剔除冗余和不重要的特征，有效减少了模型的复杂度,从而实现了运算效率的显著提升。这对于处理准时达库存管理项目需求预测的大规模数据集和实时预测系统尤为关键。通过这些方法，本项目的数据科学团队精选出了一组具有高度预测价值的特征如图3所示，它们在准时达的智慧供应链平台中被实时更新和监测。这些关键特征包括前一天的需求值等（/华）、过去2天需求的最大值（2_max）、过去2天需求的最小值（2_min）、过去4天需求的最大值（4_max）、过去4天需求的最小值（4_tnin）、过去七天的需求平均值（7_mean）、过去7天需求的最大值（Ijnax）、过去7天需求的最小值（7_tnin）、过去十四天的需求平均值（I4_mean）、过去14天需求的最大值（14War）、过去14天需求的最小值（Mjnin）。这些特征的实时监控和分析，不仅为准时达公司的需求预测提供了精确的需求预测，还提供了深入的业务洞察，从而支持准时达公司在库存管理上做出更明智的业务决策。FeatureImportanceAnalysis7_mean14_meanlag28_mean7_max7_min14_max2_min14_min28_mean4_max28_mean2_max4_min02468FeatureImportanceScore（Outof10）图3特征重要性排序4.3 评价指标在准时达高效和敏捷的供应链体系中，商品需求预测的准确性对维持运营的流畅性与优化客户体验至关重要。特别地，准时达供应链平台因其需满足及时反馈和快速交付的要求，使得需求预测的精确性显得尤为重要。在此情境下，需求预测的质量直接影响着整个供应链的响应能力和效率，任何预测不准确都可能导致雪崩式的后果。具体而言，需求预测值如果持续偏低，可能会引致供应链中断或货物短缺，此类状况不仅会迅速蚕食客户满意度，也可能导致订单取消或竞争对手的市场侵占，从而造成公司声誉与运营效率的双重损失。另一方面，需求预测值如果持续偏高，则可能导致资金的冻结、库存积压和商品陈化，进而带来存储成本的增加和资金周转的压力。在综合评估这两种情况可能导致的影响时，预测值偏低所产生的连锁反应和最终代价通常被认为更为严重。因此，在构建预测模型及其评价体系时，对于预测值偏低的情况给予更高的权重显得格夕卜重要。基于以上分析，评价指标的选择上采取了对称平均绝对百分比误差（SMAPE）的方法。首先，由于SMAPE的理论基础在于其能够显著降低异常值影响，提供更加稳定和真实的误差度量；其次，SMAPE提供了一个直观的度量,易于理螭口实施，可被供应链中各环节的非专业人士理解，从而促进了跨部门间的有效沟通和协作。SMAPE的计算公式如下：SMAPE=1¾'2，二川N乙Iy.÷y.居的总数,代司质则值。SMAPE的设计巧妙地I嬲型对高估和低估的情况做了对称化处理,并将预测误差限制在0%到200%的区间内个合理且可解释的范围。相较于传统的MAPE,后者由于在计算过程中可能遇到分母接近或等于零的情况,从而使得评估结果趋向于无限大,SMAPE在此情况下则能稳健地表达预测精度，避免了这类异常。因此，在准时达公司供应链平台库存管理的需求预测中引入SMAPE的误差计算，不仅在理论上提升了预测模型在面对供应链中的突发事件或需求波动时的稳定性与准确性，而且在实践中也为模型的性能评价提供了一种更为合理和客观的度量准则。4.4 结果展示项目对3600个数据量较多的商品在未来14天的需求进行了预测，并且使用了对称平均绝对百分比误差（SMAPE）来衡量预测性能，其结果显示SMAPE为43%。这表示平均而言每种商品未来14天的日需求预测准确率约为57%。图4和图5展示的是3600种商品中在未来14天需求准确率较高的两种商品的预测结果,可见预测需求量较好地拟合了真实需求量；此外,图6、图7展示了3600种商品中在未来14天需求准确率较低的两种商品的预测结果，可以看出即便在最不理想的情况下，预测结果仍然在可接受的误差边界之内,可以认为该预测模型具备一定的稳定性和可靠性。图4商品A未来需求预测图5商品B未来需求预测图6商品C未来需求预测图7商品D未来需求预测尽管在具体的商品的日需求预测中呈现出一定的变化性，但通过对需求平均值进行仔细分析和观察，可以揭示出这些变化在很大程度上是围绕需求均值上下波动，这在统计学上被视为一种自然变异。预测模型对此类的波动进行了有效的捕捉,并在预测中做出了接近于需求均值的估计。这种方法的优点在于，即使在日需求预测准确率不甚理想的情况下，通过考虑更大时间尺度的需求变化趋势，依然能够保证周或月级别的累积预测值较为接近真实情况，这不仅为理解预测模型的性能提供了新的视角，同时对于存货管理策略的调整与优化具有实在的参考意义。此外,考虑到日需求预测的挑战性,若将时间框架扩展到较长周期，策略上转向预测商品一周的总体需求量。通过对14天数据进行划分,以周为单位构建两个周期的预测模型,通过将7天预测值的累计求和视为接下来一周的需求量，并求得周平均值，得到每种商品的周需求预测准确率。此时，3600种商品在接下来两周的平均SMAPE改善到了30%,也就是意味着预测的周平均需求量准确率大幅提升至70%,图8展示的是其中18个物料的平均周预测准确率。这种分析不仅捕捉了供应链管理中日常需求变动的整体趋势，而且以相对缩减的时间灵敏度来提升预测结果的实用性和可操作性。通过这种理论与实际相结合的分析，需求预测结果的解读变得更为全面，为资源配置、库存优俗口风险缓解等关键决策提供更强的支持。以随机需求预测为基础的补货策略在库存管理的补货策略模块中，由于需求预测过程中固有的不确定性，在现阶段难以实现完全精准的预测，项目将需求预测作为构建补货策略的基础。尽管存在一定误差，需求预测所提供的信息是制定补货策略时不可或缺的。通过深度分析需求预测结果，构建精细的概率分布模型，能够更全面地预判未来可能出现的需求波动，降低补货策略的风险，这为进一步制定更加精准的补货策略提供了稳固的有寺。5.1基于报童模型的补货策略项目在需求预测结果的基础上，构建基于数据驱动报童模型的补货策略。数据驱动报童模型是一个融合了报童模型和现代数据分析技术的库存管理方法，旨在最优化单期商品的订购数量，以使库存成本和缺货成本最小化。在传统的报童模型中,决策者需要在每个周期开始时确定采购数量，以平衡库存持有成本和缺货成本。记商家补(订)货量为X,日需求。是一个随机变量，服从特定分布(比如PoiSSo吩布),D的分布函数为F、密度函数为f,脱销单位商品损失G>0,滞销单位商品损失G>0,从而可以表示出进货量为时损失函数为：g2=Eg(O-Q+C2G-。)+1用密度函数表示上述期望公式为：g(x)=cj：(y-x)f(y)dy+c2*(x-y)f(y)dy对这个函数二次求导得三J：(x)=c1F(x)-lj+F(x)g,f()=(c1+c2)(x)>0这表明g是凸函数从而全局极小值在g'=0处取得，进而可以解得F(X)：F(x)=-CI.c,接着反解出X：基于报童模型计算所得结果,可得出最佳补(订)货量的模型，如图9所示。图9基于报童模型的最佳订货量报童模型通常假定需求是随机的，但遵循已知的概率分布。在实际情况下,企业通常只有历史的需求数据，需要通过预测来拟合随机需求分布。由于基于数据驱动的报童模型可以考虑到实际中决策者并不清楚真实需求分布的情况,本项目选择采用基于数据驱动的报童模型,在仅可以访问历史需求观测，/()=4，4,的情况下,使用样本平均期望值代替真实期望值，即:nn%U:C/()！二:八O=/小LJ基于数据驱动的报童模型，能够利用历史出库数据及当前需求趋势来进行高效且细致的需求分析，适用于处理市场的不确定性，通过提供一个补货和需求之间的平衡点，帮助企业在不稳定的市场条件下灵活调整补货量。这种方法的目的在于在减少库存积压和避免缺货的同时，实现供应与需求的动态平衡。基于数据驱动的报童模型的补货策略的核心方法包括四个步骤，分别为构建需求预测的概率分布、制定安全水位、核心'补货策略和动态调整方案(如图10所示)o构建需求预测的概率分布C指定安全水位补货策略1 核心方法1确定核心补货策略rf实施动态调整方案图10补货策略的核心方法5.1.1 构建需求预测的概率分布为构建需求预测的概率分布模型，首先需要收集并比对先前需求预测值与实际需求之间的误差数据，获得误差的数据集。接下来，利用收集到的历史误差数据，展开详尽的统计分析，包括但不限于计算均值、标准差等，以了解误差的分布特征。随后，根据误差数据的分布特征，选择一个最适配的概率分布模型，如正态分布、指数分布模型等,关于需求预测的概率分布模型完整的构建过程见图IL通过历史误差数据，可以估计得到所选概率模型的参数，该结果将用于未来预测的需求。最后，本项目利用得到的分布参数构造一个需求预测概率分布模型，来进行更为精确的需求预测，这为本项目制定更为有效的补货策略提供了坚实的基础。图11需求预测的概率分布模型构建流程图总体来说,通过建立需求预测的概率分布模型,我们能够更深入地理解市场需求的波动性和不确定性。这种方法基于对历史误差数据的分析，使得补货策略可以根据需求的可能性变化来灵活调整,从而更有效地平衡过度补货和补货不足的风险。这样的策略不仅提升了库存管理的效率，还有助于优化成本控制，为企业带来更高的经济效益和市场竞争力。5.1.2 制定安全水位在实际运用中，尽管基于数据驱动的报童模型在补货策略制定上已经考虑了安全水位的概念(安全水位是库存管理中的一个关键概念，它指的是为了防范不确定性因素如需求波动、供应延迟等所保留的额外库存)，但鉴于缺货成本极高、需求预测的波动性以及物流过程中不可预见的风险，本项目仍然采取了传统的策略,即在数据驱动模型的基础上，设定了安全水位。但是该安全水位的设置与传统安全水位的概念有所区别，它并非简单预计未来一定时期内的总需求量，而是取历史需求分布分位点0.95分位点和补货频率八近期平均需求2最小安全水位的计算公式为：min,JF=min00.95f×D最大安全水位的选取则要依据补货频率/、近期平均需求功以及最小安全水位团讥一安全水位。其计算公式为：=2X(/XD4+rnin.)这一方法旨在确保每日的库存水平至少维持在一定标准以上，即便遇到突发事件，也能够以较高的几率避免缺货，从而增强了对风险的抵御能力。此外，采纳该方案所设定的安全水位必定不会高于传统方法所确定的安全水位，有效地控制了库存的水平，防止了库存的过度积压。通过制定安全水位，可以增强补货策略在应对市场不确定性和潜在风险方面的韧性，确保供应链的稳定性和业务的连续性。1.1.3 核心补货策略在构建补货策略时，可以对采购和生产的概率覆盖进行参数优化,通过引入灵活的参数设置来达成预期效果。本项目对于核心补货策略的制定，首先是通过对历史订单数据和仓库入库记录的深入分析，确定商品的补货周期（M和提前期（L）。接下来，设定一个参数，其值介于O到1之间。该参数代表选取的需求预测分位点。例如，若取0S8,则使用需求预测分布的0.98分位点作为补货策略中的需求预测值。当观察到第L天的库存量低于设定的安全库存水位时，就会触发补货操作，以确保未来N天的需求得到满足。根据历史近期供应商发货频率，得到补货频率为N天假设N=L=Z,当前时间为t,补货策略的核心思想要让上天后的库存水平可以满足未来N天与安全水位的需求总和（如图12所示）o其中库存决策为Proyil+2f>D+2,+Df,+J=,