4. 需求预测方法论（下）：因果预测、机器学习预测与误差评估

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。

核心公式（多元线性回归）：
Y = β₀ + β₁X₁ + β₂X₂ + ... + βₙXₙ + ε
其中，Y 为预测需求，Xᵢ 为第 i 个影响因素（如价格、广告支出、竞争对手价格），βᵢ 为回归系数，ε 为随机误差项。

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。

模型类型 适用场景 优点 局限性
简单线性回归 单一强相关因素（如：温度 vs 空调销量） 解释性强，计算快 无法处理多因素交互
多元线性回归 多因素共同影响（如：价格+促销+季节） 可量化各因素贡献度 需处理多重共线性、特征选择
岭回归 / Lasso 高维数据，特征数量多 内置正则化，防止过拟合 系数解释性略有下降
供应链实战提示：在构建回归模型前，务必进行 VIF（方差膨胀因子）检验，剔除高度相关的自变量（如“广告曝光量”与“点击量”通常只保留一个），否则会导致系数估计失真。
因果预测回归分析流程 1. 识别驱动因素 2. 数据收集与清洗 3. 回归模型拟合 4. 残差诊断与修正 不满足假设？返回步骤3调整 5. 生成需求预测值

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。

随机森林在供应链中的典型应用：
  • 新品需求预测：利用相似品特征（价格带、品类、上市季节）进行迁移学习。
  • 促销效果评估：将促销类型、折扣深度、持续时间作为特征，预测促销期的销量 uplift。
  • 特征重要性分析：识别出对需求影响最大的前5个因子，指导业务决策。

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。

对比维度 随机森林 LSTM
数据形式 表格型特征（静态+时序特征均可） 时间序列窗口（必须按时间顺序输入）
长依赖捕捉 较弱（需手动构造滞后特征） 强（自动学习长期依赖）
训练速度 快，可并行化 慢，需序列化计算
可解释性 中等（特征重要性、部分依赖图） 差（黑盒模型）
数据量需求 中等（数千条即可） 大（通常需要数万条以上）
工程落地警告：LSTM 对数据尺度敏感，必须进行归一化（如 Min-Max 或 Z-score）。同时，超参数（时间步长、隐藏层单元数、学习率）的调优对最终效果影响巨大，建议使用 Keras Tuner 或 Optuna 进行自动化搜索。
机器学习预测模型架构对比 随机森林（Bagging + 决策树） 输入特征：[价格, 促销, 温度, 滞后销量...] 决策树 1 决策树 2 决策树 N 取平均值 → 最终预测 LSTM（循环神经网络） 输入序列：[t-3, t-2, t-1] 窗口 LSTM 单元 1 LSTM 单元 2 LSTM 单元 3 全连接 → 预测值

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。

指标 全称 计算公式 供应链含义 适用场景
MAE 平均误差 MAE = (1/n) Σ|yᵢ - ŷᵢ| 预测值与实际值的平均偏差，单位与原始数据一致 库存持有成本评估，偏差的量重要时
RMSE 均方根误差 RMSE = √[(1/n) Σ(yᵢ - ŷᵢ)²] 对大误差给予更高惩罚（平方项），反映预测的稳定性 安全库存设定，需要避免极端缺货时
MAPE 平均百分比误差 MAPE = (100%/n) Σ|(yᵢ - ŷᵢ) / yᵢ| 相对误差百分比，便于跨SKU比较 管理层汇报，多品类横向对比
指标选择黄金法则：
  • 库存优化场景：优先关注 RMSE，因为它对高需求期间的预测失误（可能导致严重缺货）更为敏感。
  • 预算与计划场景：优先关注 MAPE，便于向非技术管理层解释预测精度。
  • 注意 MAPE 的陷阱：当实际需求 yᵢ 接近 0 时，MAPE 会趋向无穷大。对于间歇性需求（如备件），应改用 sMAPE 或 MASE。

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} %")
模型选择决策框架：在实际项目中，建议同时运行基准模型（如简单移动平均、ETS）、因果模型（回归）和机器学习模型（随机森林、LSTM），然后在验证集上对比 MAE、RMSE、MAPE 三个指标。通常，如果数据量充足且特征工程扎实，随机森林在大多数供应链预测任务中能取得比 LSTM 更稳定且可解释的结果；LSTM 则在具有强周期性且序列长度超过 52 周的数据上表现更优。
← 上一章 📖 返回目录 下一章 →