提出无需假设需求分布的随机库存预测模型，适用于数据少的短期预测场景。
Stochastic Predictive Analytics for Stocks in the Newsvendor Problem
- 基于随机过程建模库存动态变化，不依赖特定需求分布
- 在真实电商平台数据上验证，短期预测效果显著优于传统方法
- 适合历史数据少、需快速决策的新手卖家或供应链管理者
本文针对库存管理中的关键挑战，提出一种无需假设特定需求分布的随机模型，用于描述库存随时间的动态分布。该模型具有高度灵活性，特别适用于历史数据有限且需进行短期预测的场景，对新报问题具有直接应用价值。我们使用大型电子交易平台的真实数据评估了模型性能，在实际预测任务中展现出良好的有效性。
原文摘要 · Abstract (English)
This work addresses a key challenge in inventory management by developing a stochastic model that describes the dynamic distribution of inventory stock over time without assuming a specific demand distribution. Our model provides a flexible and applicable solution for situations with limited historical data and short-term predictions, making it well-suited for the Newsvendor problem. We evaluate our model's performance using real-world data from a large electronic marketplace, demonstrating its effectiveness in a practical forecasting scenario.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。