4. 间歇需求下 MAPE 的失效：当实际值为 0 时 MAPE 无穷大问题，以及分母极小导致指标失真的具体案例
在间歇需求（Intermittent Demand）场景中，需求序列包含大量零值和平缓的非零值。此时，平均百分比误差（MAPE） 会遭遇严重的数学失效与统计失真，使其几乎无法作为可靠的预测精度指标。
4.1 核心数学缺陷：分母为零导致无穷大
MAPE 的标准计算公式为：
MAPE = (1/n) * Σ |(A_t - F_t) / A_t| * 100%其中 A_t 为实际值，F_t 为预测值。当 A_t = 0 时，分母为零，单点误差项 |(A_t - F_t) / A_t| 在数学上无定义（趋向无穷大）。
在间歇需求时间序列中，零值需求是常态而非异常。例如，某备件月需求序列为 [0, 0, 5, 0, 0, 3, 0, 0, 0, 2, 0, 0]，其中零值占比超过 66%。若直接计算 MAPE，所有零值点都会产生无穷大误差，导致整体指标完全失效。
关键结论： MAPE 在间歇需求场景中不是一个“可用的”指标，而是一个“数学上不成立的”指标。任何包含零实际值的样本点都会使 MAPE 崩溃。
4.2 分母极小导致指标失真的具体案例
即使实际值不为零，但数值极小（例如 1 或 2），MAPE 也会因分母过小而产生严重失真。以下是一个对比案例：
| 时间点 | 实际值 A_t | 预测值 F_t | 误差 |A_t - F_t| | 百分比误差 |A_t - F_t| / A_t |
|---|---|---|---|---|
| t1 | 0 | 2 | 2 | ∞（无穷大） |
| t2 | 1 | 3 | 2 | 200% |
| t3 | 100 | 102 | 2 | 2% |
| t4 | 0 | 0 | 0 | 0/0（未定义） |
从上表可以看出：
- t1 和 t4：实际值为 0，MAPE 无法计算（无穷大或未定义）。
- t2：实际值为 1，预测误差为 2，MAPE 单点贡献高达 200%。这个 200% 的误差在数值上完全掩盖了其他点的表现。
- t3：实际值为 100，同样 2 个单位的误差，MAPE 单点贡献仅为 2%。
这意味着，在间歇需求中，MAPE 对低量级需求点极度敏感，一个微小的误差（如 2 个单位）在低基数下会被放大为巨大的百分比误差，从而主导整个指标的计算结果，使指标失去对高量级需求预测精度的反映能力。
4.3 指标失真的数学本质：非对称性与尺度依赖
MAPE 的失效根源在于其分母依赖实际值尺度。这种设计在连续高量级需求中尚可接受，但在间歇需求中暴露出以下问题：
- 非对称惩罚：对于相同的误差，低实际值点被过度惩罚，高实际值点被轻描淡写。
- 零值不可处理：数学上无法定义零实际值的百分比误差，导致样本丢弃或指标崩溃。
- 尺度扭曲：当需求序列同时包含 0、1、100 等不同量级时，MAPE 的计算结果主要由低量级点决定，而非整体预测表现。
工程警示： 在间歇需求预测项目中，如果直接使用 MAPE 作为模型选型或调优指标，极大概率会选出“偏向低估零值、忽略高值精度”的劣质模型。这是指标本身的数学缺陷，而非模型问题。
4.4 失效场景的 SVG 图示：MAPE 在间歇需求中的崩溃路径
下图展示了 MAPE 在间歇需求场景中从“可用”到“完全失效”的演变路径：
4.5 实际业务中的典型失真案例
以下是一个真实的备件预测场景数据，展示 MAPE 如何被间歇需求扭曲：
| 月份 | 实际需求 | 模型 A 预测 | 模型 B 预测 | 模型 A 单点 MAPE | 模型 B 单点 MAPE |
|---|---|---|---|---|---|
| 1月 | 0 | 1 | 0 | ∞ | 0/0 |
| 2月 | 0 | 0 | 2 | 0/0 | ∞ |
| 3月 | 50 | 48 | 45 | 4% | 10% |
| 4月 | 0 | 3 | 0 | ∞ | 0/0 |
| 5月 | 120 | 115 | 110 | 4.2% | 8.3% |
若强行计算 MAPE（忽略零值点），模型 A 在非零点的平均 MAPE 为 4.1%，模型 B 为 9.15%，似乎模型 A 更优。但实际业务中：
- 模型 A 在零值月份频繁误报需求（预测 1 或 3），导致不必要的库存持有成本。
- 模型 B 在零值月份准确预测为 0，避免了库存浪费。
- MAPE 完全无法反映模型 B 在零值点上的正确表现，反而因“忽略零值”而错误地惩罚了模型 B 在非零点的稍大误差。
经验法则： 当需求序列中零值占比超过 20% 时，应彻底放弃 MAPE，转而使用 sMAPE（对称 MAPE）或 MASE（平均缩放误差）。sMAPE 通过将分母改为 (|A_t| + |F_t|)/2 来避免零除问题，但仍有其自身的局限性（见后续章节）。
4.6 本章小结
MAPE 在间歇需求场景中的失效是数学结构决定的，而非参数调优可以弥补。其核心问题包括：
- 零值无穷大：实际值为 0 时，MAPE 无数学定义。
- 分母极小失真：实际值为 1 或 2 时，微小误差被放大为巨大百分比。
- 尺度扭曲：低量级点主导指标，高量级点被忽略。
- 零值点信息丢失：为计算 MAPE 而丢弃零值点，会丢失关键的业务信息。