要旨: 本研究は、従来の予測モデル、機械学習回帰器、および深層シーケンスモデルを統合したデジタル化された予測-在庫最適化パイプラインを、統一された在庫シミュレーションフレームワーク内に組み込む。
M5 Walmartデータセットを用いて、7つの予測手法を評価し、単一階層および二階層のニュースベンダー・システムにおけるそれらの運用影響を評価します。
結果は、Temporal CNNおよびLSTMモデルが、統計的ベースラインと比較して在庫コストを大幅に削減し、充足率を改善することを示しています。
感度分析およびマルチエシェロン分析は、頑健性とスケーラビリティを示し、現代のサプライチェーンに対するデータ駆動型の意思決定支援ツールを提供します。
精度を超えて：マルチ階層在庫コストによる予測モデルの評価
arXiv cs.AI / 2026/3/18
📰 ニュースIdeas & Deep AnalysisTools & Practical UsageModels & Research
要点
- 本研究は、伝統的な予測モデル、機械学習回帰器、および深層シーケンスモデルを統合し、単一の在庫シミュレーション枠組みの中でデジタル化された予測-在庫最適化パイプラインを開発した。
- M5 Walmartデータセットを用い、7つの予測手法を評価し、単一および二階層のニュースベンダー・システムにおける運用上の影響を分析している。
- Temporal CNNおよびLSTMモデルは、統計的ベースラインと比較して在庫コストを大幅に削減し、充足率を改善した。
- 感度分析とマルチ階層分析は堅牢性とスケーラビリティを示し、現代のサプライチェーンにおける実用的なデータ駆動型意思決定支援ツールとしての手法を強調している。
- 本研究は、実務家が予測と在庫政策を統合して現実世界の設定でコストを最適化するための再現可能な方法論を提供している。
