An Adaptive Model Selection Framework for Demand Forecasting under Horizon-Induced Degradation to Support Business Strategy and Operations

Created by

Haebom

저자

Adolfo Gonzalez, Victor Parada

💡 개요

본 연구는 간헐적인 수요, 높은 변동성, 다단계 계획 수립 환경에서 발생하는 예측 모델 순위 불안정성 문제를 해결하기 위해 **AHSIV(Adaptive Hybrid Selector for Intermittency and Variability)**라는 새로운 적응형 모델 선택 프레임워크를 제안합니다. AHSIV는 예측 시점(horizon)에 따른 성능 저하를 고려하고, 수요 특성을 구조적으로 분류하며, 다중 목표 최적화 및 계층적 편향 보정을 통합하여 최적의 예측 모델을 동적으로 선택합니다. 다양한 실제 데이터셋에 대한 실험 결과, AHSIV는 집계 성능에서 최우수 단일 지표 기반 모델과 통계적으로 동등한 성능을 보이면서도, 다양한 수요 환경에서 예측 시점 간 모델 선택의 일관성을 향상시켰습니다.

🔑 시사점 및 한계

•

다수의 SKU를 다루는 비즈니스 환경에서는 예측 시점에 따라 최적의 모델이 달라지는 현상(horizon-induced ranking instability)을 고려한 적응형 모델 선택 프레임워크가 필수적입니다.

•

제안된 AHSIV 프레임워크는 예측 시점, 수요 특성, 오류 측정 지표 등을 종합적으로 고려하여 더욱 일관성 있고 견고한 예측 모델 선택을 지원하며, 이는 재고 계획, 조달 및 운영 의사 결정에 실질적인 도움을 줄 수 있습니다.

•

본 연구는 다양한 데이터셋을 사용하여 프레임워크의 성능을 검증했으나, 실제 비즈니스 환경의 복잡성과 동적인 변화를 완전히 반영하기에는 추가적인 연구가 필요할 수 있습니다.

PDF 보기

Made with Slashpage