4. 需求预测方法论（下）

在上一节中，我们探讨了基于时间序列的统计预测方法。然而，实际供应链中的需求往往受到多种外部因素的驱动，如促销活动、价格变动、宏观经济指标等。本节将深入介绍能够捕捉这些因果关系的因果预测模型，以及能够自动学习复杂非线性模式的机器学习预测方法，最后系统讲解如何通过误差评估指标来量化预测的准确性。

4.1 因果预测：回归分析

因果预测的核心假设是：需求（因变量 Y）与一个或多个解释变量（自变量 X）之间存在稳定的函数关系。最常用的工具是线性回归与多元回归。

应用场景示例：预测某款饮料的周销量。自变量可以包括：上周平均气温、当周促销折扣力度、货架陈列位置（虚拟变量）、同期历史销量。

4.2 机器学习预测：随机森林与 LSTM

当需求与影响因素之间的关系高度非线性、存在复杂交互效应时，传统回归模型往往力不从心。此时，集成学习与深度学习方法展现出显著优势。

4.2.1 随机森林（Random Forest）

随机森林是一种基于Bagging策略的集成学习方法，通过构建多棵决策树并对其预测结果取平均（回归）或投票（分类）来提升泛化能力。在需求预测中，它能够自动处理缺失值、捕捉特征间的非线性关系，并输出特征重要性排序。

4.2.2 长短期记忆网络（LSTM）

LSTM 是一种特殊的循环神经网络（RNN），专门设计用于解决长序列依赖问题。它通过引入“门控机制”（遗忘门、输入门、输出门）和“细胞状态”，有效缓解了传统RNN的梯度消失/爆炸问题，非常适合处理具有季节性、趋势性和周期性模式的时间序列数据。

4.3 预测误差评估指标

无论采用何种预测方法，都必须通过统一的量化指标来评估其性能。以下是供应链需求预测中最核心的三个误差指标。

4.3.1 误差评估的 Python 实现示例

import numpy as np
from sklearn.metrics import mean_absolute_error, mean_squared_error

def mean_absolute_percentage_error(y_true, y_pred):
    """计算 MAPE，避免除零错误"""
    y_true, y_pred = np.array(y_true), np.array(y_pred)
    # 过滤掉实际值为0的样本点
    mask = y_true != 0
    return np.mean(np.abs((y_true[mask] - y_pred[mask]) / y_true[mask])) * 100

# 示例数据
actual = np.array([100, 150, 130, 200, 180])
predicted = np.array([110, 140, 125, 210, 170])

mae = mean_absolute_error(actual, predicted)
rmse = np.sqrt(mean_squared_error(actual, predicted))
mape = mean_absolute_percentage_error(actual, predicted)

print(f"MAE: {mae:.2f} 单位")
print(f"RMSE: {rmse:.2f} 单位")
print(f"MAPE: {mape:.2f} %")