Aug, 2023

面向库存管理的业务指标感知预测

PDF
TL;DR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。
time-series forecastsbusiness planningdownstream business performanceinventory managementend-to-end optimization
发现论文，激发创造
  • 敏捷预测模型开发的精简框架：实现高效库存管理

    提出了一种开发预测模型的框架，包括数据集清理、算法选择、多重交叉验证等步骤，以及在智能预测竞赛和库存管理中的应用。

    Apr, 2023

  • 大数据 - 供应链管理框架的预测：数据预处理和机器学习技术

    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

  • 使用循环神经网络和 Transformer 进行销售预测

    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

  • 决策导向的预测：多阶段优化的决策损失

    决策聚焦学习关注解决不确定性下的决策问题，特别是多阶段优化与预测相结合的模型对未来决策具有重要影响，本研究提出了基于多层模型的决策聚焦预测方法，并在能量存储套利任务中验证了其优越性。

    May, 2024

  • 零售需求预测：多元时间序列的比较研究

    准确预测零售行业的需求是财务绩效和供应链效率的重要决定因素。本研究通过将顾客需求的时间序列数据与宏观经济变量（如消费者价格指数（CPI）、消费者信心指数（ICS）和失业率）相结合，开发并比较了各种回归和机器学习模型，以准确预测零售需求。

    Aug, 2023

  • 一种可扩展和可迁移的时序预测框架用于需求预测

    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

  • 库存管理中的缺货预测：分类技术和成本考虑

    通过使用多个分类技术进行性能评估，结合利润函数和错分成本，本研究介绍了一种先进的分析方法来预测库存管理中的缺货情况，结果证明了预测模型在提高库存系统服务水平方面的有效性。

    Sep, 2023

  • 在零售领域中使用梯度提升树进行可扩展的概率预测：实践者的方法

    对于规模更大的电子商务公司的预测挑战，在较少的系列和间歇性数据的聚合级别上进行自顶向下的预测，并进行分解以获取决策级别的预测，通过分布假设产生概率预测，并使用子样本进行直接训练的可扩展方法。

    Nov, 2023

  • 让预测变得自学习和适应性更强 -- 试点预测机架

    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

  • 从预测性分析到指导性分析

    该论文结合了机器学习和运筹学的想法，提出了一种基于数据的最优决策框架和方法，应用于条件随机优化问题中，证明了该方法的实用性和广泛适用性，并通过一个库存管理问题的实际案例展示了该方法的优越性。

    Feb, 2014