李婷婷， 黄欣迪， 曹萌萌， 李剑锋

（中国计量大学经济与管理学院， 杭州 310018）

0 引 言

大数据驱动制造产业智能化，人工智能助力制造业数字化转型升级，随着疫情环境下制造业现有供应链脆弱性的暴露，企业原有的预测算法已不能满足制造业企业对物料需求预测的准确性。 为有效减少物料短缺与过度采购现象，助力企业降低库存成本，提高采购效率，缩短交货周期，提高企业抗风险能力，迫切需要精准度更高的预测模型［1］。

物料需求预测是指根据企业已有的销售或物料消耗数据，对企业未来一段时间内生产运营所需要的物料种类以及数量进行分析研究。 预测方法大致分为定性预测法和定量预测法。 其中，定性预测法根据预测者个人的知识、经验和主观判断，主观随意性较大，预测结果的准确度不能达到制造企业的实际需求。 时间序列分析是较为常用的定量预测法，起源于英国统计学家G.u.Yule 在1927 年提出的自回归模型（Auto Regressive，AR）［2］。 该模型与英国统计学家G.T.Walker 在1931 年提出的移动平均（Moving Average，MA）模型和ARMA 模型，构成了时间序列分析的基础，至今仍被大量应用［3］。 这三个模型主要应用于单变量、同方差场合的平稳序列，在解决线性时间序列的拟合问题上有着卓越表现。但现实中多为非线性复杂问题［4］，相较于传统的时间序列预测方法，引入机器学习算法［5］可以更好地解决非线性时间序列的拟合问题。 李福等人［6］基于机器学习XGBoost 算法，对纽约市共享单车借车需求量进行了有效的预测。……