DOI: https://doi.org/10.1038/s41598-025-23352-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41188434
تاريخ النشر: 2025-11-04
المؤلف: Islam M. Hammam وآخرون
الموضوع الرئيسي: تقنيات التنبؤ وتطبيقاتها
نظرة عامة
تقدم البحث إطار عمل مبتكر للتكيف في توقع الطلب يدمج نماذج الانحدار التقليدية ARIMA مع تقنيات التعلم الآلي، وبشكل خاص XGBoost، من خلال نهج متوسط مرجح (WAE). تم تصميم هذا النموذج الهجين للتنبؤ بالطلب بفعالية عبر مراحل مختلفة من دورة حياة المنتج (PLC)، مع التركيز بشكل خاص على مرحلة الانخفاض حيث يمكن أن تكون أنماط الطلب معقدة وغير خطية. يبدأ الإطار بالتنبؤ الخطي باستخدام ARIMA؛ إذا أظهرت تشخيصات المتبقيات عدم الخطية، فإنه ينشط XGBoost لتعزيز الدقة. يقوم خوارزمية البحث الشبكي بتحسين أوزان التجميع من خلال تقليل خطأ الجذر التربيعي المتوسط (RMSE)، مما يسمح للنموذج بالاستفادة ديناميكيًا من نقاط القوة في كلا المنهجين.
تظهر نتائج التحقق على خمسة مجموعات بيانات من العالم الحقيقي أن الإطار المقترح يتفوق بشكل كبير على نماذج ARIMA التقليدية، حيث يحقق متوسط خطأ النسبة المطلقة (MAPE) أقل من 13% وتحسين يصل إلى 80% في السيناريوهات ذات التباين العالي. تشير النتائج إلى أن نموذج WAE يوازن بشكل فعال بين نقاط القوة في ARIMA وXGBoost، متكيفًا مع خصائص البيانات الأساسية، وهو ما يعد مفيدًا بشكل خاص للصناعات ذات أنماط الطلب المتقلبة. تهدف الأعمال المستقبلية إلى تعزيز الإطار من خلال دمج نماذج التعلم العميق مثل LSTM للتنبؤ على المدى الطويل، وتحسين أوزان التجميع باستخدام خوارزميات ميتاهيرستيك، وأتمتة الإطار للتطبيقات في الوقت الحقيقي، مما يوسع من قابليته للتطبيق عبر قطاعات مختلفة مثل السيارات، والأدوية، وإنتاج الغذاء.
النتائج
تقدم الورقة البحثية إطارًا لتوقع الطلب عبر خمسة مجموعات بيانات، كل منها يمثل مراحل مختلفة من منحنى دورة حياة المنتج: المقدمة، والنمو، والنضج، والانخفاض. التركيز هو بشكل أساسي على مراحل النضج والانخفاض الصعبة، حيث قد تتغير الاتجاهات الخطية. بالنسبة لكل مجموعة بيانات، تم تطبيق نماذج مختلفة، بما في ذلك SARIMA وXGBoost، مع استخدام نموذج متوسط مرجح (WAE) لدمج التوقعات.
بالنسبة لمجموعة البيانات 1 (DS1)، التي تمثل مرحلة الانخفاض، أظهرت التشخيصات عدم خطية في البيانات، مما أدى إلى اعتماد نموذج XGBoost. في المقابل، مجموعة البيانات 2 (DS2)، التي تعكس مرحلة الانخفاض المبكر، أظهرت أنماط موسمية، ورغم أن كل من SARIMA وXGBoost أديا بشكل مشابه، إلا أن نموذج WAE حقق أفضل النتائج. ومع ذلك، كانت العينة الأصغر لـ DS2 تتطلب مزيدًا من التحقيق. أظهرت مجموعة البيانات 3 (DS3) خطية، مما أكد أن SARIMA كان النموذج الأكثر فعالية، كما تشير توزيع الأوزان المثلى التي تفضلها على XGBoost.
قدمت مجموعات البيانات 4 (DS4) و5 (DS5) أنماط طلب متقلبة، حيث تطلب كلاهما نموذج XGBoost بسبب عدم الخطية المحددة. أكدت النتائج أن XGBoost تفوق على نماذج الانحدار في هذه الحالات، مع تخصيص نموذج WAE الوزن الكامل لـ XGBoost. بشكل عام، تؤكد النتائج على أهمية اختيار النموذج بناءً على خصائص البيانات، حيث يُفضل استخدام SARIMA لمجموعات البيانات الخطية وXGBoost للبيانات غير الخطية.
المناقشة
يبدأ إطار التوقع المقترح بالافتراض بوجود خطية في بيانات السلاسل الزمنية، تليه اختبارات للموسمية والثبات لإبلاغ اختيار النموذج. في البداية، يتم استخدام نماذج الانحدار، بما في ذلك ARIMA، للتنبؤ. إذا كشفت تحليل المتبقيات عن أنماط تشير إلى عدم الخطية، ينتقل الإطار إلى استخدام XGBoost، وهي تقنية تعلم آلي، ثم يطور نموذج متوسط مرجح (WAE) يجمع بين التوقعات من كلا المنهجين. يستفيد هذا النموذج الهجين من نقاط القوة في الانحدار الخطي للأنماط القابلة للتنبؤ وXGBoost لالتقاط عدم الخطيات، مع تحسين أوزان التجميع من خلال بحث شبكي لتقليل خطأ الجذر التربيعي المتوسط (RMSE).
تعتبر إعداد البيانات أمرًا حاسمًا، حيث تشمل التنظيف، ومعالجة القيم المفقودة، والتنسيق لتحليل السلاسل الزمنية. توجه اختبارات الثبات والموسمية، بما في ذلك اختبار ديكي-فولر المعزز والتحليل الموسمي، اختيار النماذج المناسبة. الإطار فعال بشكل خاص لمجموعات البيانات المتوسطة إلى الكبيرة ذات أنماط الطلب السلسة والمتقلبة، على الرغم من أنه أقل ملاءمة لمجموعات البيانات الصغيرة أو تلك ذات الطلب المتقطع. تظهر تقييمات الأداء عبر خمس مجموعات بيانات تمثل أنماط طلب متنوعة أن نموذج WAE يتفوق باستمرار على النماذج المستقلة، خاصة في السيناريوهات ذات الأنماط المختلطة، مما يعزز دقة التنبؤ وقابلية التكيف عبر مراحل مختلفة من دورة حياة المنتج. قد تشمل التحسينات المستقبلية دمج تقنيات التعلم العميق وأتمتة الإطار للتطبيقات في الوقت الحقيقي.
DOI: https://doi.org/10.1038/s41598-025-23352-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41188434
Publication Date: 2025-11-04
Author(s): Islam M. Hammam et al.
Primary Topic: Forecasting Techniques and Applications
Overview
The research presents an innovative adaptive framework for demand forecasting that integrates traditional ARIMA regression models with machine learning techniques, specifically XGBoost, through a Weighted Average Ensemble (WAE) approach. This hybrid model is designed to effectively predict demand across various stages of the product life cycle (PLC), particularly focusing on the decline phase where demand patterns can be complex and nonlinear. The framework begins with linear forecasting using ARIMA; if residual diagnostics indicate nonlinearity, it activates XGBoost to enhance accuracy. A grid search algorithm optimizes ensemble weights by minimizing the root mean square error (RMSE), allowing the model to dynamically leverage the strengths of both methodologies.
Validation on five real-world datasets demonstrates that the proposed framework significantly outperforms traditional ARIMA models, achieving a mean absolute percentage error (MAPE) below 13% and up to 80% improvement in high variability scenarios. The results indicate that the WAE model effectively balances the strengths of ARIMA and XGBoost, adapting to the underlying data characteristics, which is particularly beneficial for industries with fluctuating demand patterns. Future work aims to enhance the framework by incorporating deep learning models like LSTM for long-term forecasting, optimizing ensemble weights using metaheuristic algorithms, and automating the framework for real-time applications, thereby broadening its applicability across various sectors such as automotive, pharmaceuticals, and food production.
Results
The research paper presents a framework for forecasting demand across five datasets, each representing different stages of the product life cycle curve: introduction, growth, maturity, and decline. The focus is primarily on the challenging maturity and decline stages, where linear trends may shift. For each dataset, various models were applied, including SARIMA and XGBoost, with the Weighted Average Ensemble (WAE) model used to combine predictions.
For Dataset 1 (DS1), which represents the decline phase, diagnostics indicated nonlinearity in the data, leading to the adoption of the XGBoost model. In contrast, Dataset 2 (DS2), reflecting the early decline stage, exhibited seasonal patterns, and while both SARIMA and XGBoost performed similarly, the WAE model yielded the best results. However, DS2’s smaller sample size necessitated further investigation. Dataset 3 (DS3) demonstrated linearity, confirming that SARIMA was the most effective model, as indicated by the optimal weight distribution favoring it over XGBoost.
Datasets 4 (DS4) and 5 (DS5) presented erratic demand patterns, with both requiring the XGBoost model due to identified nonlinearity. The results confirmed that XGBoost outperformed regression models in these cases, with the WAE model assigning full weight to XGBoost. Overall, the findings underscore the importance of model selection based on data characteristics, with SARIMA being preferred for linear datasets and XGBoost for nonlinear ones.
Discussion
The proposed forecasting framework begins with the assumption of linearity in time series data, followed by tests for seasonality and stationarity to inform model selection. Initially, regression models, including ARIMA, are employed for forecasting. If residual analysis reveals patterns indicating nonlinearity, the framework transitions to using XGBoost, a machine learning technique, and subsequently develops a Weighted Average Ensemble (WAE) model that combines forecasts from both approaches. This hybrid model leverages the strengths of linear regression for predictable patterns and XGBoost for capturing nonlinearities, optimizing the ensemble weights through a grid search to minimize root mean square error (RMSE).
Data preparation is critical, involving cleaning, handling missing values, and formatting for time-series analysis. Stationarity and seasonality tests, including the Augmented Dickey-Fuller test and seasonal decomposition, guide the selection of appropriate models. The framework is particularly effective for medium-to-large datasets with smooth and erratic demand patterns, though it is less suited for small datasets or those with intermittent demand. Performance evaluation across five datasets representing various demand patterns demonstrates that the WAE model consistently outperforms standalone models, particularly in mixed-pattern scenarios, enhancing forecasting accuracy and adaptability across different stages of the product life cycle. Future enhancements may include integrating deep learning techniques and automating the framework for real-time applications.