序列数据的因果推断在仓储管理的应用

库存控制中的因果分析应用

1. 库存控制说明

库存控制的目标是在最大化高价值客户需求的同时，最大限度地减少存储、交付和废物成本。然而，许多公司仍采用基于经验而非数据驱动的方法进行需求预测，并简单采用（s,S）策略，未充分考虑实际不确定性。因果分析有助于理解业务流程中事件发生的原因，并自动确定最优决策方法。

2. 背景：时间序列与因果关系

时间序列介绍

时间序列数据具有自然的时间依赖性，分析时需考虑弱平稳性和自相关性假设。时间序列分析有助于识别历史数据中的有用模式。

因果模型与理论工具

• 结构因果模型（SCM）：接近数据生成机制，是强大的因果分析工具。
• 常用技术：
  • 时间表示：完整图、单位图和汇总图。
  • 多元时间序列结构学习：
    • 基于约束：依赖独立性测试（如PCMCI、SVAR-FCI、PC+传输熵）。
    • 基于分数：区分不同分数的图形（如BIC、动力动力）。
    • 受限模型类：假设特定模型类（如VAR、VAR-LiNGAM、NBCB）。
  • 格兰杰因果关系：量化一个时间序列的过去对预测未来的帮助程度（如NGC）。

3. 因果分析在需求预测中的应用

主要技术挑战

• 需求预测的准确性是关键挑战之一。
• 在不同环境中重新学习库存政策成本高昂。

关键算法描述

• 单变量时间序列：仅考虑目标自相关。
• 多变量时间序列：
  • VAR：分析多个时间序列之间的动态关系。
  • VAR-LiNGAM：利用非高斯性估计结构向量自回归模型。
  • PCMCI+：在自相关非线性时间序列中发现因果关系。

案例研究：需求预测

• 案例1：结构恢复实验，更多变量和滞后时加权绝对百分比误差更低。
• 案例2：消费数据集分析，包括美国商业周期中的冲击和摩擦。

因果分析平台

• 功能：结构学习、关键驱动因素识别和预测。
• 平台：https://inguo.info/

4. 因果分析在补充战略中的应用

主要技术挑战

• 新领域中基于反事实的数据增强。
• 行动空间大的在线补货策略。

情况1：基于反事实的数据增强

• 问题：历史数据常混合不同场景，传统生成器在新域中性能恶化。
• 解决方案：结合因果恢复与反事实数据增强，利用非专家数据集解开因果机制。
• 优势：在新环境中仅需1/10样本量即可实现相似性能。
• 实验结果：基于因果关系的生成器在新域中表现显著优于基于MLP的生成器。

情况2：在线补货策略大动作空间

• 问题：决策空间过大，传统方法假设库存状态精确计算，但实际记录常不准确。
• 解决方案：在线计划员快速重新规划每一步政策。
• 方法：只计算当前信念的最佳行动，使用信仰树进行动作选择、观察选择、扩展、展开和备份。
• 优点：
  • 决策空间大时快速重新计划。
  • 需求预测模型变化时从头开始计划。
• 实验结果：当需求噪声大时，该解决方案能找到比现有方法更积极的库存控制策略，实现更高利润。