两篇新研究论文探讨了间歇性需求预测的挑战,在这种预测中,需求不频繁发生,时间序列通常包含许多零观测值。第一篇论文《准确性并非服务》引入了一个决策感知的基准,并发现传统的准确性指标并不总是与合同物流中的实际服务水平相关。它还详细介绍了一种 Chronos-2 预测模型的修正方法,该方法显著提高了补货率。第二篇论文《梯度提升模型是否适用于间歇性需求预测?》调查了梯度提升模型的有效性,结论是虽然它们单独表现不佳,但在集成中可以增强专业方法。 AI
影响 这些论文强调了标准预测指标的局限性,并探索了集成方法,有可能改善具有间歇性需求的行业的库存管理和运营效率。
排序理由 两篇在 arXiv 上发表的关于预测方法的学术论文。
- arXiv
- Chronos-2 Forecasting Model
- gradient-boosting models
- Hugging Face
- machine learning
- Ruf
- statistics
- Vladislav Kislinskii
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →