A Dynamic Adaptive Fusion Transformer for Zero-Inflated Intermittent Spare Parts Demand Forecasting

在复杂的供应链世界中，保持适度的库存是一场不断的平衡博弈。如果工厂或航空公司缺少了某个特定部件，运营可能会陷入停滞，导致代价高昂的延误。但如果仓库里堆满了从未被使用的零件，资金就会闲置在货架上，且这些物品最终可能会变得过时。对于机械和车辆的备件而言，这一挑战尤为艰巨。与人们定期购买的面包或电池等日常用品的需求不同，备件往往在数月甚至数年内都无人问津，只在机器故障时才突然被需要。这种在长时间沉寂后被罕见、不可预测的需求所中断的模式，创造了一个独特的预测难题。标准的预测工具在处理稳定销售时表现良好，但在这种情况下往往会失效。它们往往仅仅因为数学逻辑上的推导，就倾向于猜测很快就会有需求，从而导致不必要的库存积压，或者错过真正需要零件的罕见时刻。

来自中国空军物流学院的研究团队开发了一种新方法来解决这个特定的谜题。他们创建了一个精密的计算机模型，旨在处理这种由于大部分月份没有需求而导致的“零膨胀”异常需求模式。研究人员使用一个包含超过2600种不同备件需求记录的真实数据集对该系统进行了测试，追踪了它们超过四年的使用情况。目标是预测在接下来的几个月内是否会需要某个部件，以及如果需要，需要多少单位。他们的新模型被称为“动态自适应融合变换器”（Dynamic Adaptive Fusion Transformer），其工作原理是将预测任务拆分为两个截然不同的问题：首先，是否会有需求？其次，如果有了需求，需要多少数量？通过将这两个问题视为独立的课题并仔细结合两者的答案，该模型能够学会识别真正的需求缺失与罕见的需求激增之间的区别。

研究人员发现，这种拆分方法结合一种允许模型调整自身置信度的机制，显著提高了准确性。在测试中，新模型在避免“虚假警报”方面远优于以往的方法。当实际需求为零时，新模型会预测近乎为零的需求，从而有效地阻止了仓库订购那些只会放在那里积灰的零件。具体而言，该模型将预测零需求月份的误差降低到了极低的水平，表现远优于传统的统计方法和其他现代机器学习工具。然而，研究也揭见了其中的权衡。虽然该模型在判断何时“不应订购”方面表现出色，但在预测大规模、突发性的需求激增时，有时会显得略微保守。它成功抑制了虚假正向预测的噪声，但有时也会低估真实且紧急的需求规模。

为了理解其运作方式，可以将该模型想象成一个首先检查日历和历史日志以决定需求是否可能发生的系统。如果历史记录显示该部件很长时间未被使用，系统会强烈倾向于预测为零。如果历史记录显示近期有活动，系统则会将注意力转向估算数量。研究人员构建了一个类似于“交通控制器”的“门控”系统，负责决定在“是否会发生”的猜测与“有多少”的猜测之间分配多少权重。这使得模型具有灵活性。在数据表明处于平静期的月份，模型会自信地预测为零；在数据暗示有活动的月份，它则会为预测正数打开大门。这种动态调整正是该系统能够处理备件极端不可预测性，而不至于被长期的沉寂所困扰的原因。

实验表明，这种方法对于那些使用频率极低但关键时刻必不可少的零件特别有效。通过减少模型错误预测“非必要需求”的次数，该系统有助于组织节省存储成本，并避免订购过时库存造成的浪费。研究人员指出，虽然模型在预测大规模、突发性需求的大小方面并非完美，但其避免虚假警报的能力是一项重大改进。在库存管理领域，持有额外库存的成本通常很高，因此这种精准度具有极高的价值。该研究表明，对于许多备件而言，最好的策略是在证据充分之前保持谨慎，而不是为了保险起见而盲目猜测需求可能会出现。

研究人员将他们的模型与包括旧式统计技术和新型深度学习模型在内的多种方法进行了对比。结果很明确：新模型产生的总误差更少，并且在识别无需求月份方面表现得更好。事实上，在专门观察无需零件的月份时，新模型的预测结果比其他方法更接近于零。这意味着它成功避开了常见的陷位——即“伪正向预测”，即模型看到了并不存在的模式并导致了不必要的订货。研究还证实，该系统的每个部分都发挥着至关重要的作用。移除负责检查需求发生情况的部分，会使模型在处理零需求月份时表现变差；而移除负责检查需求规模的部分，则会使其在实际需要零件时准确度下降。这些元素的结合，通过自适应融合机制的管理，创造了一个比任何单一组件都更稳健的系统。

尽管该模型在防止过度订购方面表现卓越，但研究人员也承认，在预测罕见的高容量事件规模方面，它仍有提升空间。在测试中，当面临突发性的需求激增时，模型预测的数量有时会低于实际需求。这表明，虽然该系统擅长于在应该保持静默时保持静默，但在真实的、带有噪声的需求激增到来时，它有时仍显得过于保守。作者提出，未来的工作可以包括加入处理这些极端峰值的特定规则，或者将模型的输出与安全库存政策相结合，以确保关键零件绝不会被遗漏。就目前而言，这项研究证明，通过将预测问题分解为更小、更易管理的片段，并让模型决定如何权衡这些片段，可以创建一个更加智能的备件管理系统。

这项工作的意义不仅限于研究人员所在的军事或航空领域。任何依赖于维护低频使用设备的行业都能从这种方法中受益。从工业制造到汽车维修，预测间歇性需求的挑战是普遍存在的。动态自适应融合变换器的成功表明，库存管理的未来不在于试图用一个简单、单一的预测去强行解释复杂的数据，而在于构建能够理解不同需求状态并据此调整策略的系统。通过学习区分真正的需求缺失与罕见的高活跃时刻，这些系统可以帮助企业实现更高效的运营，在保持供应链精简的同时，确保所需零件的可用性。