AI 需求预测：从时间序列到库存决策

需求预测并不是绝对准确地猜出一个数字，而是利用现有信息支持库存决策，并明确剩余不确定性。时间序列 AI 模型扩大了企业可用的工具范围，但决策质量也取决于销售、缺货、促销和供货周期如何记录。

预训练模型带来的能力

一个研究参考是 Ansari 及其合作者的 Chronos: Learning the Language of Time Series，于 2024 年 3 月发布在 arXiv，同年 11 月更新。论文研究用于时间序列概率预测的预训练模型。其跨数据迁移思路值得关注，但并不保证对某家企业的销售预测准确。

采用预训练模型不能省略数据分析。必须理解每条观察值的含义、记录频率和修正规则。退货可能记录在销售日，也可能记录在退回日；取消订单可能仍保留在历史中。这些差异会改变系统实际学习预测的对象。

观察到的销售不一定等于需求

假设某商品一周销量很低，是因为它缺货。如果模型只看到销售，可能把这段时间解释为需求不足。新的低预测可能导致再次少订货，让问题延续。因此，解释序列需要库存信息，以及商品在哪些日子真正可供购买。

促销也需要谨慎处理。特殊事件引起的峰值不应自动被视为持续增长。未来需求依赖预期价格、渠道、日历和供应情况。如果这些信息未知，分别呈现场景比隐藏假设更有用。预测使用者应能够识别其中的假设。

尊重时间顺序的试验

可以模拟一系列过去的决策进行评估。每个时点仅使用当时已知的信息，再把预测与之后的实际情况比较，避免随机混合过去与未来。预测跨度应对应业务决策：如果物料需要数周才能到货，仅预测明天意义有限。

基线应包含简单规则，例如沿用可比时期数值，或采用符合季节性的平均值。复杂模型必须证明相对优势。结果还应按商品类别分析：稳定商品、新品、间歇销售和退市产品可能需要不同方法。总体平均值可能掩盖系统变差的部分。

从预测走向库存决策

数值相同的误差可能造成不同后果。高估易腐商品与低估关键备件的影响不同。决策需要考虑积压、缺货、交付时间和采购约束。不能直接把预测中心值当作订货量，因为预测只是补货政策的输入，而不是整个政策。

区间可以表达不确定性，但需要通过历史数据检验。如果很窄的区间经常排除真实值，就在传达并不存在的精度；过宽区间则可能难以使用。负责人还应看到异常案例，并能补充有记录的背景信息，同时明确区分模型预测和人工调整。

与 ELAI Nexus 的可能联系

ELAI Nexus 的公开页面介绍了物料、库存和项目之间的关联。这为未来预测项目提出问题：哪些物料依赖计划活动，哪些有重复需求，哪些记录可靠？这并非宣布已有预测模块。引入之前，需要核实数据、时间要求和业务责任。

有限试验可以从少数代表性商品类别开始，以现有流程作为对照。记录预测、实际决策和调整理由，而不立即自动下单。目标是了解新工具在哪些方面改善计划，哪些地方仍需背景知识。把预测与决策连接起来，才能让 AI 真正服务企业日常工作。

本文借助 AI 撰写，并核验了所列来源。除非另有说明，应用示例均为假设场景。来源查阅日期：2026 年 9 月 20 日。

封面为 AI 生成的示意图，并非 EL-AI 真实人员、场所或部署的照片。