.png){kind=icon}
返回
A Commodity Demand Forecasting System Based on Dual-Phase Conditional Diffusion Model
.png){kind=icon}
PRE
AI
DOI：10.4018/IJDWM.401351.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确的需求预测能够实现高效的供应链管理。然而，存在两大挑战：（a）对外部条件变量的建模不足以及对复杂多模态需求分布的捕捉较差；（b）条件信息仅在系统输入处融合一次，导致信息衰减和对事件驱动冲击的响应性降低。为此，作者提出了一种双阶段条件扩散模型（DP-CDM），其中沿时间轴的反向滑动扩散利用时间连续性构建自回归机制，增强序列建模并避免结构错位。此外，噪声降级扩散丰富了多模态概率表示，并提高了对外部干扰的鲁棒性。条件嵌入模块通过聚合局部历史、全局趋势和SHapley Additive exPlanations（SHAP）量化外部因素来对齐多模态特征，这些因素在整个去噪过程中注入。拟合性能提升3.7%表明该模型在捕捉事件驱动需求动态方面的有效性。
Keyword:
Deep Learning
Demand Forecasting
Supply Chain
Time Series
Inventory Optimization
期刊
I
IF:
0.7
论文数:
5
被引数:
246
机构
引用论文
暂无论文信息