双策略集成提升需求预测的基础模型
准确的需求预测对于供应链优化至关重要，但由于层次复杂性、领域偏移和不断变化的外部因素，实践中仍面临困难。尽管近期的基础模型在时间序列预测方面展现出强大潜力，但它们通常在分布变化下存在架构僵化和鲁棒性有限的问题。
本文提出一个统一的集成框架，用于增强基础模型在现实世界供应链销售预测中的性能。该方法结合两种互补策略：
- 层次集成（HE）：通过语义级别（如商店、类别、部门）划分训练和推理，以捕捉局部模式；
- 架构集成（AE）：整合来自多样化模型骨干的预测，以减少偏差并提高稳定性。
在M5基准和三个外部销售数据集上进行了广泛实验，涵盖域内和零样本预测场景。结果表明，该方法一致优于强基线，提高了跨层次级别的准确性，并为复杂预测环境中的泛化提升提供了一种简单而有效的机制。
关键词：需求预测，基础模型，集成学习，时间序列分析，供应链优化
