4. 参数调优方法论总览：基于历史数据、基于模拟仿真、基于机器学习

缺料预警阈值的设定并非一次性活动，而是一个持续优化的过程。根据数据基础与业务场景的不同，调优方法论可分为三大主流路径：基于历史数据、基于模拟仿真 与 基于机器学习。三条路径在数据需求、计算复杂度、适用阶段与调优精度上存在显著差异，实际应用中常采用“历史基线 → 仿真验证 → 模型迭代”的递进式组合策略。

4.1 方法论对比总览

4.2 基于历史数据：统计基线法

该方法利用批次追溯数据中的历史缺料事件，通过统计分布拟合确定阈值。适用于数据积累充分、供应链波动相对稳定的场景。常用参数包括：

• 百分位法：取历史缺料提前期（从预警到实际缺料的时间间隔）的第90/95/99百分位作为阈值。例如，若95%的缺料事件在预警后3天内发生，则阈值设为3天。
• 均值-标准差法：假设缺料间隔服从正态分布，阈值 = μ + kσ。k值通常取1.5~3.0，k越大预警越保守（漏报率低但误报率高）。
• 移动极差法：针对批次追溯数据中的连续批次间隔，使用移动极差（Moving Range）估计短期波动，适用于非平稳序列。

# 基于历史数据的阈值计算示例（Python伪代码）
import numpy as np

# 假设缺料提前期数据（单位：天）
lead_times = [2.1, 3.5, 1.8, 4.2, 2.9, 3.1, 5.0, 2.5, 3.8, 4.0]

# 百分位法
threshold_p95 = np.percentile(lead_times, 95)  # 输出：4.19天

# 均值-标准差法（k=2）
mean = np.mean(lead_times)   # 3.29
std = np.std(lead_times)     # 0.97
threshold_2sigma = mean + 2 * std  # 5.23天

4.3 基于模拟仿真：动态推演法

当历史数据不足以覆盖所有场景（如新物料导入、供应商切换、产线扩能），或需要评估极端工况下的阈值表现时，模拟仿真成为必要手段。核心流程包括：

1. 构建仿真模型：基于批次追溯数据中的物料BOM、供应商交付周期分布、产线消耗速率、安全库存策略等参数，建立离散事件仿真模型。
2. 定义扰动变量：包括供应商延迟概率分布、质量异常批次比例、紧急插单频率等。
3. 运行蒙特卡洛模拟：对同一阈值组合（如预警提前期、库存水位下限）运行1000~10000次仿真，统计缺料发生次数与预警准确率。
4. 参数响应面分析：绘制阈值参数与缺料率/误报率的响应曲面，选择帕累托最优解。

4.4 基于机器学习：自适应调优法

当批次追溯数据维度丰富（包含物料属性、供应商评级、产线工况、季节因素等），且缺料模式呈现非线性、时变性特征时，机器学习方法能够自动学习特征与最优阈值之间的映射关系。典型实现路径包括：

• 分类模型：将缺料预警视为二分类问题（预警后是否发生缺料），使用XGBoost或LightGBM训练模型，通过调整分类概率阈值（默认0.5）来间接控制预警灵敏度。概率阈值每降低0.1，预警数量通常增加15%~30%。
• 时序异常检测：使用LSTM或Transformer模型对批次追溯数据中的“库存水位-消耗速率-在途库存”时序进行重构，将重构误差超过设定分位数的时刻标记为缺料风险点。误差阈值即为调优参数。
• 强化学习：将阈值调整视为连续决策问题，以“缺料损失成本 + 预警处理成本”为奖励函数，使用DQN或PPO算法在线学习最优阈值策略。

4.5 三条路径的协同策略

在实际项目中，三条方法论并非互斥，而是形成递进式协同：