深度更新过程实现间歇需求预测

深度更新过程用于间歇需求预测 – 深度与浅层模型的探讨

间歇需求（例如偶发且数值跳跃的需求）预测面临着需求间隔与需求大小的双重不确定性。传统方法往往独立处理这两个因素，而本文提出基于深度更新过程（Deep Renewal Processes）的框架。

该框架将更新过程的核心机理与深度神经网络相结合：

• 更新周期建模：通过神经网络学习需求间隔时间的条件分布，输入特征包括历史间隔、外部协变量等。
• 需求大小建模：另一神经网络（或共享网络分支）学习非负需求大小的分布，可处理零膨胀或重尾现象。
• 联合优化：两个子模型通过似然函数联合训练，避免分开估计带来的误差累积。

对比浅层更新过程（如基于指数或威布尔分布的参数化更新模型），深度方法能自动提取高阶特征，适应非平稳序列。在多个真实数据集（库存、备件需求）上的实验表明，深度更新过程在平均绝对误差和对数损失上降低了15%~30%。

此外，文中讨论了工程实现的注意事项：

• 采用重参数化技巧以适应随机梯度下降；
• 使用反事实采样生成多步预测区间；
• 防止梯度消失的门控机制建议。

该方法适用于各类偶发性需求系统（如某机构云计算资源预留、维修备件库存优化），且可扩展至高维协变量输入。FINISHED