一种在汽车备件行业有效的 AI 注入需求预测应用：来自土耳其的真实案例

为什么猜测备件需求很重要

当车辆发生故障时，车主希望合适的备件能即时可得。对于制造商和维修店来说，既要保证备件充足又要避免仓库过度堆积是一项持续的平衡工作。本研究考察了人工智能的智能应用如何帮助汽车备件行业的企业更准确地预测高度不规则的需求，从而在节省成本的同时保持客户的行驶不中断。

断断续续的需求所带来的挑战

备件的销售并非平滑稳定。许多零件可能数月无订单，然后突然出现需求爆发。作者将这些模式称为间歇性和块状需求。在许多时间段内需求为零；当有订单出现时，数量可能剧烈波动。对日常商品有效的经典预测工具在这种情况下通常表现不佳，常导致库存断货或出现大量闲置库存。由于备件对维持设备运行至关重要，糟糕的预测会损害服务质量并推高成本。

从老方法到数据驱动学习

为了解决这一问题，研究人员回顾了长期使用的统计方法和较新的数据驱动方法。被称为 Croston 系列的传统技术专为大量零值序列设计，但在需求极其不稳定时存在局限性。较新的机器学习方法（如支持向量机、随机森林和线性回归）以及深度学习方法（如多层感知器、循环神经网络和长短期记忆网络）能够自动从数据中学习复杂模式。然而，每种方法各有优劣，没有单一模型能在所有情形下都表现最好。

来自一家备件制造商的真实数据

研究团队与一家为车辆生产电驱系统组件的土耳其制造商合作。他们聚焦于两种高价值且尤其难以计划的备件：一种呈间歇性需求，另一种呈强烈的块状需求。使用 51 个月的真实月销售数据，团队清洗并规范化记录，然后用标准度量对需求发生频率和变动幅度进行了分类。数据被划分为训练集和测试集，以便在未见过的时期上评估模型，模拟真实世界的预测场景。

让多种模型共同投票

作者没有依赖单一预测工具，而是构建了一个堆叠式集成模型，可被视为一组模型，其输出由一个简单的二级模型来组合。首先，若干机器学习和深度学习模型各自生成预测。然后将这些预测输入到线性回归模型中，后者学习如何为每个模型分配权重。该堆叠模型与 Croston 系列方法和各个单一学习方法进行了比较，使用的误差度量既能捕捉典型错误也能反映误差相对平均需求的大小。研究人员还使用图形摘要和统计检验来确认性能差异是有意义的而非偶然。

更智能预测对业务的意义

堆叠模型在间歇性和块状需求场景下始终产生最准确且稳定的预测。单独使用深度学习方法通常优于传统方法，但将多种方法结合起来效果最佳。对于合作企业而言，这意味着降低安全库存、减少架上陈旧品以及降低未能按时供应客户的风险。简言之，研究表明，经过精心设计的 AI 模型组合可以将零散、断断续续的备件需求转化为足够可靠的预测，从而支持更精益的库存和更可靠的服务。

引用: Albayrak Ünal, Ö., Erkayman, B. & Usanmaz, B. An effective AI infused demand forecasting application for automotive spare parts industry: a real case from Turkey. Sci Rep 16, 15661 (2026). https://doi.org/10.1038/s41598-026-44461-0

关键词: 备件需求, 间歇性需求, 集成学习, 汽车供应链, 需求预测