案例库 · 研发与科研 · 运营决策 · 2020–2023
庞巴迪利用飞行数据预测不规则的零部件需求，准确率提升7%
一种基于树的机器学习模型，将需求规模与间隔分开预测，使庞巴迪售后市场超过10亿美元的备件预测准确率提高了约7%。
Bombardier
那一手
公务航空的备件需求往往是突发性的，因此标准预测经常不准，导致缺货或库存积压。
庞巴迪和IVADO Labs建立了一个流程，结合基于树的机器学习模型和时间序列模型，分别估计需求规模和需求间隔。
飞行数据和其他许多特征输入模型，集成方法结合了不同需求模式类别的输出。
为什么管用
- 将规模与间隔分开处理，解决了不规则性的根源。
- 飞行数据为模型提供了因果相关的信号。
- 集成方法提高了跨零部件类别的稳健性。
- 预测准确率提高了约7%，无偏预测提高了约5%。
值了多少将不规则需求分解为规模和间隔，再利用飞行数据聪明
可以搬走什么
对于不规则需求，应分别预测规模和间隔；间隔通常比数量更容易预测。
后来呢
验证表明，预测准确率提高了约7%，无偏预测提高了5%；该系统已部署，并定期用于预测庞巴迪超过10亿加元的售后市场需求。
资料来源
- Bombardier Aftermarket Demand Forecast with Machine Learning
- Bombardier Aftermarket Demand Forecast with Machine Learning
发现哪里写错了？告诉我们。