arXiv 发布间歇需求预测遗忘与池化研究 v3

Zong-Han Bai 与 Po-Yen Chu 发布 arXiv 论文修订版 v3，将间歇性需求预测研究重新围绕遗忘与池化展开，提出拟合窗口诊断方法，在分层经验贝叶斯 hurdle 模型中统一序列自身历史保留与跨序列借力的决策，并形式化可信度边界与分辨率条件。 在五个公开间歇性需求面板（超 19000 条序列）上，作者称诊断在两个方向上均判断正确：截断降低可信度时共享先验有效，关闭它在最短历史上代价为 5% 和 12%，而全长度仅约 1%。所得预测器 EBB 在固定起点下与逐序列高斯过程专家差距约 3% 以内，成本低两到三个数量级。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。