4. 误差度量指标：MAE、MSE、RMSE、MAPE、sMAPE 的定义与适用场景

在多级库存预测误差修正中，选择合适的误差度量指标是评估模型性能、指导参数调优的核心环节。不同指标对误差的敏感度、量纲依赖性和异常值处理方式各异，需结合库存业务场景（如安全库存设置、补货频率、SKU 层级）进行选择。本节系统梳理五种常用误差度量指标的定义、数学公式、业务含义及适用场景。

4.1 指标定义与数学公式

以下表格汇总了五种误差度量指标的核心定义与计算公式。设 \( y_t \) 为实际值，\( \hat{y}_t \) 为预测值，\( n \) 为样本数量。

4.2 各指标的业务特性与适用场景

不同误差指标在库存优化工程中的适用性差异显著，需结合预测目标（如安全库存、补货点、服务水平）进行选择。

4.2.1 MAE（平均误差）

• 特性：对异常值不敏感，反映预测误差的平均值，稳健性强。
• 适用场景：适用于库存成本对误差大小线性敏感的场景，如常规补货计划、安全库存基线计算。当数据中存在少量极端值（如促销冲击）时，MAE 比 RMSE 更稳定。
• 局限：无法区分欠预测与过预测的方向性，且受量纲影响，不能直接跨品类比较。

4.2.2 MSE（均方误差）

• 特性：通过平方放大较大误差，对异常值惩罚力度大。
• 适用场景：常用于模型训练阶段的损失函数，引导模型优先减少大误差。在库存优化中，适用于对缺货或超储成本呈二次增长的业务场景（如高价值 SKU 的库存持有成本）。
• 局限：量纲为原始数据的平方，可解释性较差；对异常值过于敏感，可能导致模型过度拟合噪声。

4.2.3 RMSE（均方根误差）

• 特性：将 MSE 开方，恢复原始量纲，同时保留对较大误差的敏感性。
• 适用场景：最常用的误差指标之一，适用于需要同时考虑误差量级和异常惩罚的库存场景，如安全库存设置、服务水平评估。RMSE 与标准差同量纲，便于与库存波动性关联分析。
• 局限：仍受异常值影响，且无法提供百分比视角。

4.2.4 MAPE（平均百分比误差）

• 特性：无量纲百分比形式，直观反映预测误差相对于实际值的比例。
• 适用场景：适用于跨 SKU、跨品类或跨时间段的预测精度对比。在库存 ABC 分类中，常用于评估 A 类高周转 SKU 的预测质量。
• 局限：当实际值 \( y_t \) 接近零时，MAPE 会趋向无穷大，导致指标失效。在需求间歇性（如慢速周转 SKU）或零需求场景下不可用。

4.2.5 sMAPE（对称平均百分比误差）

• 特性：在 MAPE 基础上引入预测值作为分母的一部分，避免实际值为零时的发散问题，且取值范围有上界 [0%, 200%]。
• 适用场景：适用于实际值可能为零或接近零的库存场景，如慢速周转 SKU、季节性清仓品类的预测评估。sMAPE 对欠预测和过预测的惩罚相对对称，更适合多级库存中下游节点的需求预测评估。
• 局限：当实际值和预测值均为零时，公式仍存在除零问题（通常约定为 0%）；且分母对称性可能导致解释上的歧义。

4.3 误差指标选择决策流程

以下 SVG 流程图展示了在多级库存预测误差修正中，如何根据业务场景选择最合适的误差度量指标。

4.4 多级库存场景下的指标组合策略

在多级库存架构中，不同层级（如中央仓库、区域配送中心、门店）对误差的容忍度和业务目标不同，需采用差异化的指标组合。

4.5 误差指标计算示例（Python 代码）

以下代码展示了五种误差指标在库存预测场景中的计算方式，便于工程落地时直接复用。

import numpy as np

def compute_errors(y_true, y_pred):
    """
    计算五种常用误差度量指标
    参数:
        y_true: 实际需求数组 (numpy array)
        y_pred: 预测需求数组 (numpy array)
    返回:
        dict: 包含 MAE, MSE, RMSE, MAPE, sMAPE
    """
    y_true = np.array(y_true)
    y_pred = np.array(y_pred)
    n = len(y_true)

    # MAE
    mae = np.mean(np.abs(y_true - y_pred))

    # MSE
    mse = np.mean((y_true - y_pred) ** 2)

    # RMSE
    rmse = np.sqrt(mse)

    # MAPE (避免除零，加极小值)
    epsilon = 1e-10
    mape = np.mean(np.abs((y_true - y_pred) / (y_true + epsilon))) * 100

    # sMAPE
    denominator = np.abs(y_true) + np.abs(y_pred)
    denominator = np.where(denominator == 0, epsilon, denominator)  # 避免除零
    smape = np.mean(2 * np.abs(y_true - y_pred) / denominator) * 100

    return {
        'MAE': mae,
        'MSE': mse,
        'RMSE': rmse,
        'MAPE': mape,
        'sMAPE': smape
    }

# 示例：库存预测数据
actual = [120, 85, 0, 200, 45, 0, 150, 90]
predicted = [115, 90, 5, 190, 50, 0, 145, 95]

errors = compute_errors(actual, predicted)
for metric, value in errors.items():
    print(f"{metric}: {value:.2f}")

4.6 指标对比总结

以下 SVG 雷达图直观对比五种误差指标在库存优化中的关键属性，帮助快速决策。