间歇性预测算法 - Croston

上文介绍了入门的间歇性预测算法Croston，它在实际的预测场景中还是存在一些不足，本文将介绍它的一个改进算法TSB(Teunter-Syntetos-Babai)。

针对已经介绍过了5类算法，算数平均法、简单移动平均法、加权移动平均法、一次指数平滑法、二次指数平滑法，通过对实际生产中的几类产品（快流件/中流件/慢流件）进行模拟。通过对不同的产品类型与数据的模拟计算，综合分析几类算法的优缺点。

参考连接：https://zhuanlan.zhihu.com/p/40193791 SAP算法部分：https://help.sap.com/viewer/2cfbc5cf2bc14f028cfbe2a2bba60a50/2.0.04/en-US/c6721c3c55d14fb3a91f15e4c1008254.html

供应链项目间歇性、应季性产品的需求预测指南

在前几篇博客文章中，我们已经了解了实践中使用的所有流行预测度量方法。但它们都主要关注平滑且稳定的时间序列。然而，现实生活中的时间序列还有完全不同的类型——间歇性和块状需求。通常，我们称间歇性序列为存在大量无需求周期的序列，即零星需求。Syntetos 和 Boylan（2005）提出了一种更正式的时间序列分类方法。他们使用了时间序列的两个参数进行分类——平均需求间隔和变异系数的平方。是两个非零需求之间的平均时间周期数。

在之前的几篇博客文章中，我们已经了解了实践中使用的所有流行预测评估方法。但它们都真正专注于平稳和稳定的时间序列。但在现实生活中，存在一种完全不同的时间序列类型——间歇性和集中性需求。

设备维保配件智能库存优化方案针对制造业“高可用性、低资金占用、高不确定性”的库存管理困境，提出基于多算法协同的预测决策体系。方案核心在于“先分类、后算法”：依据配件需求频率与业务风险，将配件划分为易损件、维修件、停产件三类，并动态匹配LSTM、集成学习、生命周期模型等算法，实现精准预测。预测结果联动服务水平与采购提前期，动态计算安全库存，平衡周转与风险。通过可视化仪表盘打通设备、维修、库存数据，让管理者“看见”库存健康度与异常预警，最终驱动企业从被动救火转向主动巡航，降低资金占用与停产风险。

在时间序列预测领域，**间歇性需求预测**是一个极具挑战性的问题。这类数据的特点是大部分时间点为零值，只有少数时间点出现非零观测值，常见于零售库存管理、备件需求预测和低频销售数据分析中。StatsForecast作为一款闪电般快速的时间序列预测库，专门针对这类**稀疏数据**提供了多种高效的解决方案。 ## 什么是间歇性需求预测？🤔 **间歇性需求**指的是那些具有大量零值的时间序列数据。比

时序预测是工业生产和供应链管理的核心技术，其核心原理是通过分析历史数据中的模式、趋势和季节性，对未来需求进行估计。精准的预测能显著降低库存成本、提升资源利用率，在制造业、零售和物流等领域价值巨大。面对小批量、间歇性需求场景，传统预测方法常因数据稀疏而失效。针对这一挑战，本文深入探讨了如何结合经典Croston方法处理间歇需求，并融合LightGBM机器学习模型捕捉复杂特征交互。通过动态加权融合策略与鲁棒优化排产，构建了一套从预测到决策的闭环解决方案，有效应对了需求不确定性与生产换线成本等核心问题，为小批量生

https://towardsdatascience.com/croston-forecast-model-for-intermittent-demand-360287a17f5f

本文探讨了两种预测建模方法在库存管理和系统控制中的应用。首先研究了基于支持向量机回归（SVMs）的库存间歇性需求预测方法，对比Croston方法，分析了其准确性与计算成本。其次，介绍了基于模糊集和粗糙集理论的燃气炉模糊预测建模方法，通过属性重要性和规则约简，构建了性能良好且规则简化的预测模型。文章还对两种方法进行了性能对比，并讨论了实际应用中的选择依据、未来发展趋势以及面临的挑战，为相关领域的研究和实践提供了参考。

更重要的是，本文深入探讨了元学习与基础模型在少样本场景下的本质区别：元学习的知识来源于显式的跨任务迁移，在任务分布匹配的条件下可能优于依赖大规模预训练的基础模型。2026年发表的一项系统研究在快时尚零售间歇性销售数据上证明，两阶段XGBoost——将预测任务分解为“需求是否发生”的分类子任务和“需求量为多少”的回归子任务——取得了最低的WRMSSE。），如果元训练任务与目标任务的SBC类别匹配，元学习可能优于基础模型——因为元学习的知识是任务定向的，而基础模型的知识是领域泛化的。第二阶段：机器学习方法。

两阶段XGBoost之所以能成为长尾预测的标杆方案，核心不在于XGBoost本身，而在于它尊重了数据的生成机制——把"会不会买"和"买多少"分开处理。· 可针对不同目标优化不同特征：什么影响"会不会买"（品类偏好、促销）vs 什么影响"买多少"（价格、库存深度），往往是不同的特征。它们被绑在同一根损失函数上优化的历史，结束了。· 时序模型把"零值"当作规律：某周卖了2件，另一周卖了0件，模型学到的"模式"几乎全是噪声。特征组合 分类侧重"时间特征"，回归侧重"历史销量特征" 两阶段可用不同特征集。

本文提出了一种基于支持向量回归（SVR）的间歇性服务备件需求预测方法，旨在解决传统方法如Croston方法在预测性能上的不足。通过引入SVR的非线性回归能力，结合RBF核函数的优化参数选择，实验表明该方法在核电站备件需求预测中表现优异，NMSE值显著低于对比方法。研究还涉及数据预处理、聚类分组、性能评估标准以及未来改进方向，为间歇性需求预测和库存管理提供了新的思路和实践参考。

应用领域稀疏性表现示例电商销售预测SKU销量大部分为零新品上架、冷门商品推荐系统用户行为数据缺失新用户或新商品无历史行为广告点击预测CTR数据中点击为1的极少曝光百万，点击极低IoT传感器数据异常稀有，数据采样不连续故障检测、间断性读取TSB算法在冷启动或稀疏销售场景中非常实用，尤其是单品层级的销量预测。它对零销售频率和非零销售强度分别建模，具有良好的解释性和泛化性。若结合特征工程（商品类型、类目、价格段等），还可以进一步集成进机器学习模型如LightGBM。

时序预测是数据分析与供应链管理的核心技术，它通过分析历史数据中的模式、趋势和季节性，来预估未来一段时间内的需求或行为。其原理在于利用统计或机器学习模型，捕捉时间序列中的内在规律，以降低未来不确定性带来的风险。这项技术的核心价值在于将业务决策从依赖经验的“猜测”转变为基于数据的“测算”，从而在库存管理、资源规划和风险控制等场景中实现成本优化与效率提升。特别是在汽车后市场这类面临高维度、小样本和强干扰的复杂场景中，精准的需求预测直接关系到库存周转率和服务水平。本文以【长三角汽后配件需求预测】为具体案例，深入探讨

quartz间歇One challenge that data scientists come across is forecasting an intermittent time series. 数据科学家遇到的一个挑战是预测间歇时间序列。 That is to say — a time series with many 0s present in the data. 也就是说-数据中存在多个...