4、预测模型全景图：统计模型、机器学习模型、深度学习模型与组合模型
供应链预测的复杂性在于需求信号中同时混杂了趋势、季节性、随机波动以及促销、天气、宏观经济等外生变量。没有任何单一模型能在所有场景下保持最优，因此理解不同模型家族的能力边界与适用条件，是选型的第一步。本章从统计模型、机器学习模型、深度学习模型到组合模型，构建一张完整的预测模型全景图，帮助你在实际业务中做出理性选择。
4.1 统计模型：稳定可靠的基线
核心原理
统计模型基于时间序列自身的历史规律进行外推，假设需求模式具有延续性。移动平均通过平滑随机波动来揭示趋势；指数平滑（Holt-Winters）进一步将趋势和季节性分解为可加或可乘的组件；ARIMA（差分自回归移动平均）则通过差分将非平稳序列转化为平稳序列，再结合自回归（AR）和移动平均（MA）项进行建模。这类模型的共同特点是：参数少、训练快、结果可解释，适合作为任何预测体系的基线。
判断方法或操作流程
- 数据探索：绘制历史需求曲线，观察是否存在明显趋势、季节性周期（周/月/季度）以及异常波动。
- 平稳性检验：使用ADF检验判断序列是否平稳，若不平稳则进行一阶或季节性差分。
- 模型选择：无趋势无季节→简单指数平滑；有趋势无季节→Holt线性趋势；有趋势有季节→Holt-Winters或SARIMA。
- 参数估计：通过AIC/BIC准则确定ARIMA的(p,d,q)阶数，或使用自动调参工具（如auto.arima）。
- 残差诊断：检查残差是否为白噪声（Ljung-Box检验），若存在自相关则需调整模型。
| 模型 | 适用场景 | 优点 | 局限 |
|---|---|---|---|
| 移动平均 | 需求平稳、无趋势 | 简单、计算快 | 滞后性明显 |
| Holt-Winters | 趋势+季节性 | 分解清晰、可解释 | 对突变不敏感 |
| SARIMA | 复杂季节性 | 灵活、统计严谨 | 参数调优耗时 |
4.2 机器学习模型：特征驱动的预测主力
核心原理
机器学习模型将预测问题转化为回归问题，通过构造特征矩阵（历史滞后值、促销标志、价格、天气、节假日等）来学习需求与特征之间的非线性映射。线性回归提供可解释的基线；树模型（随机森林、XGBoost）通过分裂节点自动捕捉特征交互，对异常值和缺失值有较好的鲁棒性。XGBoost在供应链竞赛和工业实践中表现突出，因为它支持自定义损失函数、正则化防过拟合，并能处理稀疏特征。
判断方法或操作流程
- 特征工程：构造滞后特征（lag-1, lag-7, lag-28）、滚动统计量（均值、标准差）、日历特征（星期几、月份、节假日）、促销特征（折扣率、活动时长）。
- 数据划分：按时间顺序划分训练集/验证集/测试集，避免随机打乱导致数据泄露。
- 模型训练：先跑线性回归作为基线，再尝试XGBoost/LightGBM，使用早停法（early stopping）控制迭代轮数。
- 特征重要性分析：通过XGBoost的feature importance识别关键驱动因素，剔除无效特征。
- 超参数调优：使用网格搜索或贝叶斯优化调整学习率、树深度、最小叶子样本数等。
4.3 深度学习模型：长序列与复杂模式的利器
核心原理
深度学习模型通过多层非线性变换自动学习时间序列中的复杂模式。LSTM（长短期记忆网络）通过门控机制解决梯度消失问题，能够捕捉长期依赖；Transformer基于自注意力机制，并行处理整个序列，能同时关注不同时间步的相关性，特别适合多变量输入和长序列预测。Temporal Fusion Transformer（TFT）进一步融合了静态变量、已知未来变量和过去变量，是当前供应链预测的前沿模型。
判断方法或操作流程
- 数据准备：需要至少2-3年以上的日粒度或周粒度数据，且样本量在数万以上。
- 序列构造：设定输入窗口（如过去28天）和预测窗口（如未来14天），生成滑动窗口样本。
- 模型架构选择：单变量序列→LSTM；多变量+外生变量→Transformer或TFT；多SKU共享模型→采用全局模型（Global Model）。
- 训练策略：使用学习率调度、梯度裁剪、早停法；验证集采用时间序列交叉验证。
- 评估与部署：不仅看整体误差，还要分SKU、分时段评估；使用ONNX或TensorRT加速推理。
| 模型 | 优势 | 劣势 | 适用场景 |
|---|---|---|---|
| LSTM | 捕捉长期依赖 | 训练慢、调参复杂 | 单SKU长序列 |
| Transformer | 并行计算、全局注意力 | 数据需求大 | 多变量、长窗口 |
| TFT | 可解释注意力、融合外生 | 实现复杂 | 多SKU、多源数据 |
4.4 组合模型：稳健性的最终保障
核心原理
组合模型的核心思想是“不要把所有鸡蛋放在一个篮子里”。通过将多个模型的预测结果进行加权融合，可以降低单一模型偏差带来的风险。简单平均、加权平均（基于验证集误差分配权重）、Stacking（用元模型学习各基模型的最优组合方式）是三种常见策略。组合模型在预测竞赛中几乎总是优于单一模型，在供应链场景中能有效提升预测稳定性。
判断方法或操作流程
- 基模型池构建：至少包含一个统计模型（如Holt-Winters）、一个机器学习模型（如XGBoost）、一个深度学习模型（如LSTM）。
- 验证集评估：在验证集上计算各模型的MAPE、MAE、Bias等指标。
- 权重优化：使用简单平均作为基线；若某模型在特定SKU或时段明显更优，可采用动态权重（如基于最近12周误差的指数加权）。
- Stacking：将各模型的预测值作为特征，训练一个线性回归或小型XGBoost作为元模型。
- 监控与回退：持续监控组合模型的误差，若某基模型性能严重退化，自动降低其权重。
4.5 模型选型决策框架与总结
在实际供应链预测体系搭建中，建议遵循“基线先行、分层升级、组合兜底”的原则。首先为所有SKU部署统计模型作为基线；对于误差超过阈值的SKU，升级到机器学习模型；对于数据量充足且模式复杂的重点SKU，引入深度学习模型；最终在整体层面使用组合模型确保稳健性。选型时还需考虑工程成本：统计模型可快速上线，机器学习需要特征管道，深度学习需要GPU资源和MLOps支持。
| 决策因素 | 统计模型 | 机器学习 | 深度学习 | 组合模型 |
|---|---|---|---|---|
| 历史数据量 | > 6个月 | > 1.5年 | > 3年 | 任意 |
| 外生变量数量 | 0-2 | 3-20 | > 20 | 任意 |
| 训练时间 | 分钟级 | 小时级 | 天级 | 小时-天级 |
| 可解释性 | 高 | 中 | 低 | 中 |
| 维护成本 | 低 | 中 | 高 | 中高 |