3. 预测模型选型总览：间歇需求预测模型分类与选型决策树
间歇需求预测没有“万能模型”。不同数据特征、业务场景和精度要求，对应完全不同的算法路径。本节从模型分类出发，构建一套可落地的选型决策框架。
3.1 间歇需求预测模型三大分类
根据建模原理和适用场景，主流模型可归为三类：时间序列方法、机器学习方法和概率/计数模型。下表从核心逻辑、数据要求和典型算法三个维度进行对比。
| 分类 | 核心逻辑 | 数据要求 | 典型算法 |
|---|---|---|---|
| 时间序列方法 | 利用历史需求的时间依赖性和间隔模式，通过指数平滑或状态空间模型直接预测未来需求 | 仅需历史需求序列（含零值），对数据量要求较低 | Croston、SBA、TSB、Holt-Winters间歇变体 |
| 机器学习方法 | 将预测转化为回归或分类问题，通过特征工程捕捉需求与外部因素的非线性关系 | 需要丰富的特征（时间、促销、价格、天气等），数据量通常要求较大 | XGBoost、LightGBM、随机森林、LSTM |
| 概率/计数模型 | 假设需求服从某种概率分布（如泊松、负二项），通过参数估计预测需求分布而非单点值 | 需要需求分布假设，对零膨胀和过离散数据有专门处理 | 零膨胀泊松（ZIP）、零膨胀负二项（ZINB）、Hurdle模型 |
选型提示： 时间序列方法（尤其是Croston及其变体）是间歇需求预测的“基线模型”，建议所有项目都先跑通Croston，再根据效果决定是否升级到机器学习或概率模型。
3.2 选型决策树：从数据特征到模型推荐
以下决策树将选型过程拆解为四个关键判断节点，帮助分析师快速锁定候选模型。
3.3 选型决策树关键节点详解
决策树中的四个判断节点对应不同的数据特征和业务约束，下面逐一拆解。
- Q1: 需求间隔是否稳定？ 计算历史需求间隔序列的变异系数（CV）。若CV < 0.8，说明间隔相对规律，Croston类方法效果较好；若CV ≥ 0.8，间隔高度波动，需考虑更灵活的模型。
- Q2: 非零需求是否有趋势/季节性？ 对非零需求子序列做ACF或STL分解。若存在明显趋势或季节模式，TSB或间歇Holt-Winters能捕捉；若为纯随机波动，Croston/SBA更稳健。
- Q3: 是否有丰富的外部特征？ 若拥有促销日历、价格变动、天气、节假日等特征，机器学习模型可充分利用；若只有历史需求序列，概率模型（如ZIP）是更简洁的选择。
- Q4（隐含）: 是否需要需求分布？ 若业务需要安全库存计算或分位数预测，概率模型（ZINB、Hurdle）直接输出分布；若只需点预测，时间序列或ML模型即可。
实战建议： 在项目初期，建议同时运行Croston和XGBoost两个“极端”模型——一个代表纯时间序列基线，一个代表机器学习上限。如果两者差距小于10%，优先选择Croston（更简单、可解释性强）；如果差距显著，再投入资源优化ML模型。
3.4 模型复杂度与数据量匹配矩阵
选型时还需考虑团队资源和数据成熟度。下表给出不同场景下的推荐优先级。
| 数据量 | 特征丰富度 | 推荐优先级（从高到低） | 典型场景 |
|---|---|---|---|
| 小（< 50个历史点） | 低 | Croston > SBA > TSB | 新品上市、慢速备件 |
| 中（50-200个历史点） | 中 | TSB > 零膨胀泊松 > Croston | 区域配送中心、维修件 |
| 大（> 200个历史点） | 高 | XGBoost > LightGBM > ZINB | 电商长尾、零售SKU |
| 极大（> 1000个历史点） | 高 | LSTM > XGBoost > TSB | 平台级需求预测 |
3.5 选型流程总结
将上述决策逻辑整合为可执行的五步流程：
- 数据诊断： 计算需求间隔CV、零值比例、非零需求自相关结构。
- 基线建立： 运行Croston和SBA，记录MAE/MSE和计算耗时。
- 复杂度判断： 根据数据量和特征丰富度，决定是否进入ML或概率模型分支。
- 候选模型对比： 在验证集上比较3-5个候选模型，关注点预测精度和分布校准度。
- 业务验证： 将最优模型输出与库存策略（如安全库存、订货点）联动，评估实际业务收益。
常见陷阱： 不要盲目追求复杂模型。在间歇需求场景中，Croston类方法在70%以上的案例中能击败默认参数的XGBoost。先做好特征工程和模型调优，再考虑更换算法族。