供应链市场波动下的联合集成预测

arXiv:2608.21399v1 发布类型：新 摘要：供应链预测系统越来越多地在市场冲击、区域需求分布不均以及集中商业数据的意愿有限的情况下运行。这项工作提出了带有负相关学习的联合集成预测（FEF NCL），这是一种分布式方法，可以跨客户端节点培训专门的预测专家，同时防止冗余模型错误。该框架结合了时间特征编码器、客户端级别漂移评分、可靠性加权聚合以及解释能力层，该层公开了对每个预测负有最大责任的市场和供应商变量。使用单个合成数据集来评估设计。它包含来自 10 个区域客户节点、60 个产品系列、40 个供应商、5 个商品组的 124,800 个每周 SKU 区域观察结果，以及具有明确价格冲击机制的 2021-2024 年波动率概况。由于数据集是合成的，因此报告的结果应被解释为内部一致性的受控证据，而不是现实世界的验证。在整个综合测试分割中，FEF NCL 将加权平均绝对百分比误差从最佳联合基线的 13.9% 降低到 12.4%，将延迟风险宏观 F1 从 0.755 提高到 0.801，并将高波动性五分位误差相对于 SCAFFOLD 降低了 2.1 个百分点。分析表明，当客户面临不同的供应商、货运和商品条件时，负相关专业化是有用的，尽管部署需要更强的隐私分析、实时漂移监控和操作校准。索引术语 联邦学习、集成学习、负相关学习、供应链预测、市场波动、数据漂移、需求规划、风险治理