2、间歇需求预测的挑战：零值过多、需求波动剧烈、数据稀疏性、预测误差评估困难

间歇需求（Intermittent Demand）在供应链中普遍存在，尤其在备件、高价值设备、奢侈品及定制化产品领域。其核心特征使得传统时间序列预测方法（如移动平均、指数平滑、ARIMA）几乎失效。理解这些挑战是正确选型与使用Croston方法的前提。

2.1 四大核心挑战概述

间歇需求预测的困难可归纳为四个相互关联的维度，它们共同构成了预测建模的“硬骨头”。

2.2 挑战一：零值过多（Excess Zeros）

在间歇需求序列中，零值通常占数据点的60%-95%。这并非数据缺失，而是真实的“无需求”状态。零值过多带来的直接后果：

• 均值扭曲： 简单平均法会将大量零值纳入计算，导致预测值远低于实际非零需求水平。
• 模型误判： 指数平滑等模型会将零值视为“低需求”信号，持续向下调整平滑值，导致对下一次正需求的响应滞后。
• 分布假设失效： 传统预测模型通常假设误差服从正态分布，而间歇需求数据呈现明显的“零膨胀”分布，正态假设不成立。

2.3 挑战二：需求波动剧烈（High Volatility）

当需求发生时，其量级可能从1到数百甚至数千不等。这种波动性使得预测模型难以捕捉稳定的需求水平。

• 方差膨胀： 非零需求的变异系数（CV）通常远大于1，导致预测区间极宽，失去实际参考价值。
• 异常值敏感： 一次罕见的大额订单会显著改变历史均值，使后续预测产生系统性偏差。
• 平滑参数选择困难： 在波动剧烈时，较小的平滑参数（α）反应过慢，较大的平滑参数又会导致预测值随噪声剧烈震荡。

2.4 挑战三：数据稀疏性（Data Sparsity）

稀疏性是指有效非零样本点数量极少。例如，一个拥有36个月历史数据的SKU，可能只有4-5个非零记录。

• 参数估计不稳定： 基于少量样本估计的模型参数（如需求间隔、需求大小均值）具有高方差，样本外表现不可靠。
• 模型复杂度受限： 无法使用需要大量参数的复杂模型（如ARIMA、神经网络），只能退回到极简模型。
• 交叉验证困难： 传统的时间序列交叉验证方法（如滚动窗口）在稀疏数据下，训练集和验证集可能都包含大量零值，导致验证结果不可信。

2.5 挑战四：预测误差评估困难（Evaluation Difficulty）

这是间歇需求预测中最容易被忽视但后果最严重的挑战。传统误差指标在零值主导场景下存在根本性缺陷。

2.6 挑战关系与应对思路

下图展示了四大挑战之间的内在关联，以及它们如何共同指向对专门预测方法（如Croston系列方法）的需求。

2.7 从挑战到方法：为什么需要Croston

面对上述四大挑战，传统预测方法（如简单指数平滑、移动平均）的局限性暴露无遗。Croston方法（及其后续改进版本）正是为解决这些问题而设计：

• 针对零值过多： Croston方法将需求序列分解为“需求间隔”（只记录非零需求之间的时间间隔）和“需求大小”（只记录非零需求的值），分别进行指数平滑，从根本上避免了零值对均值估计的干扰。
• 应对波动剧烈： 通过分别平滑间隔和大小，Croston方法允许两个子过程使用不同的平滑参数，从而更灵活地适应不同的波动模式。
• 处理数据稀疏： 模型结构极简（仅需估计两个平滑参数），在稀疏数据下也能保持相对稳定的估计。
• 改善误差评估： Croston方法输出的是“每期平均需求”的估计，而非简单的点预测，更适合与基于库存成本的误差指标结合使用。