没有万能预测选择器！24模型9数据集实测：不同需求下最优策略竟差这么多
Beyond a Universal Forecasting Selector: Demand-Conditioned Model Selection across Demand Patterns and Horizons
📖 AI 总结
该研究探讨了需求预测中模型选择机制是否应随情境变化的问题，挑战了“通用选择器”的传统假设。作者比较了五种选择机制（RMSSE、ERA、OWA、CCG-AHSC和CCG-AHSCD），在24个优化预测模型、9个数据集、三种训练测试划分及1至12周期预测范围下进行系统评估。结果显示，没有任何单一选择器在所有条件下占优：CCG-AHSC和CCG-AHSCD在平滑需求及部分零散配置中表现更佳，而OWA和ERA在间歇性和块状需求场景中更具优势。此外，选择器的适用性还随历史数据可用性和预测周期的变化而改变。研究结论支持将模型选择视为依赖于需求情境的预测流程组成部分，而非采用放之四海而皆准的固定规则，为异构需求环境下的预测实践提供了实证依据。
🔑 关键词速览
| RMSSE | 均方根缩放误差，一种用于比较不同预测模型性能的度量，通过缩放误差来消除不同尺度的影响。 |
| ERA | 误差比率平均值，一种基于误差比率的模型选择指标，用于评估预测模型的相对准确性。 |
| OWA | 平均加权绝对误差，一种结合了多种误差度量的综合指标，常用于预测竞赛中的模型评估。 |
| CCG-AHSC | 基于需求分类和自适应历史缩放系数的选择机制，用于根据需求模式调整模型选择。 |
| GRA | 全局相对准确度，一种事后评估指标，用于衡量选择器在多个数据集和条件下的整体性能。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅