本文旨在系统地确定和比较分析最新的供应链预测策略和技术，提出了一个包含大数据分析在供应链管理中的新框架，并讨论了预测对人力、库存和整个供应链的影响以及其优化方面的建议。

Jul, 2023

提出了一种名为 Forecasting orchestra（Forchestra）的时间序列预测框架，具有可扩展的模型规模和预测精度，能够在需求预测和物流优化等业务问题中准确预测未来需求。

Feb, 2024

时序预测对于商业规划起重要作用，但常规预测度量的优化往往无视下游业务目标，导致与商业偏好不符的预测结果。本研究关注库存管理领域，以一种可微的端到端方式计算和优化常见的下游业务度量的代理指标，通过大量的成本权衡情景实证表明端到端优化通常优于对标准商业无关预测度量的优化（对于简单缩放模型最高可达 45.7%，对于 LSTM 编码 - 解码模型最高可达 54.0%）。最后，讨论了研究结果对其他商业环境的潜在益处。

Aug, 2023

本文研究了时间序列建模和预测，分别介绍了随机、神经网络和 SVM 基于模型的预测。实验结果表明不同模型的预测表现，以及采用不同评价指标评价不同模型。

Feb, 2013

本文旨在通过算法干预，提高零售商在某些产品类别上的预测准确性，选取针织类别作为案例，通过算法架构动态选择最佳算法，采用 AI/ML 建模，预测准确性提高了 20%。

Jun, 2023

在不断发展的供应链管理背景下，高效的库存管理对企业的重要性显著增加。这项研究引入了一种智能库存管理系统，以解决与不准确数据、延迟监测和过度依赖主观经验的预测相关的挑战。通过条形码和分布式应用技术的智能感知，结合全面的大数据分析，使数据驱动的决策成为可能。该系统通过细致的分析、系统设计、关键技术探索和仿真验证成功地展示了提议系统的有效性。该智能系统实现了二级监控、高频检查和人工智能驱动的预测，从而增强了库存管理的自动化、精确性和智能化。该系统通过准确的预测和明智决策，有助于降低成本和优化库存规模，最终实现了互利互惠的局面。本研究的结果提供了相关研究领域的有益信息。

Sep, 2023

该研究提出了一种基于深度学习的全局建模方法、无监督的本地化机制和最优集成构建策略，以有效预测分布式网络中大量负载，该方法通过减少模型训练的计算负担，以及利用不同负载之间的交叉信息共享，能够比竞争方法更好地适用于实际智能电表数据，并提高预测精度。

Apr, 2022

本文考虑供应链中存在的交货期不确定性和因此导致的库存管理性能下降问题，提出了一种基于强化学习的延迟解决方法，并在多种不确定性的情景下进行了实证评估，证明该方法可以实现接近最优的性能。

Mar, 2022

利用深度学习技术和 Corporación Favorita 数据集，我们提出三种替代方案来解决具体的需求预测问题，设计了一种简单的序列到序列的体系结构以及在此基础上的训练技巧，达到了约 0.54 的 RMSLE 的好性能。

Apr, 2022

通过减少数据需求并提高数据驱动模型的实际性，我们提出了一种渐进降阶建模框架，通过选择性地从之前的训练模型中转移有价值的知识，从而创建一个具有高准确性的代理模型。我们的研究通过缓解数据稀缺问题，解锁了数据驱动建模在实际工程应用方面的潜力，为各个领域的进步提供了强有力的支持。

Oct, 2023