《Sustainable Futures》：AI-driven demand forecasting for sustainable inventory model in fuzzy environment
编辑推荐：
本研究提出了一种创新的混合模型，将基于随机森林的人工智能需求预测与模糊集理论下的库存管理框架相结合。该模型旨在解决供应链中不确定的产品需求、缺陷品和市场波动等挑战。研究通过整合缺陷品检查、报废处理和缺货回补等过程，同时将运输和仓储过程中的碳排放量化并纳入成本考量，从而构建了一个稳健、实用的可持续库存管理方案。结果表明，该模型能有效优化订货量，在降低库存成本的同时最大化零售商利润，为供应链领域提供了兼顾经济与环保效益的决策支持工具。
在现代供应链管理中，企业始终面临着一系列严峻挑战：多变且难以预测的产品需求、生产过程中难以避免的缺陷品、以及日益增强的环保和可持续性要求。这些不确定性若处理不当，将导致库存积压或缺货，直接冲击企业利润。更棘手的是，传统的库存管理模型（如经济订货量EOQ）往往基于确定性的完美假设，难以捕捉现实世界的模糊性和动态变化。同时，传统方法也常常忽视生产与物流环节对环境的影响。随着人工智能技术的飞速发展和可持续理念的深入人心，我们能否利用先进的预测工具与模糊数学，构建一个既能应对市场不确定性、又能积极承担环境责任的智能库存系统？这项发表于《Sustainable Futures》的研究，正是为了解决这一系列复杂问题而生。
为了应对上述挑战，研究者们开发并验证了一套综合性的解决方案。研究核心方法主要包括：首先，运用随机森林（Random Forest）机器学习算法，基于历史销售数据进行需求预测，该模型能有效捕捉季节性变化、增长趋势、节假日和促销活动等多重影响因素。其次，将缺陷品率等不确定参数建模为梯形模糊数（trapezoidal fuzzy number），运用模糊集理论（Fuzzy Set Theory, FST）来处理库存模型中的不确定性。模型过程涉及缺陷品检验、缺陷品处置（以折扣价销售或报废）以及允许缺货回补。同时，研究将运输过程中的燃料消耗和仓储过程中的电力消耗所产生的碳足迹（carbon footprint）进行量化，并转化为成本纳入总成本函数中，从而形成一个同时优化经济与环境绩效的可持续库存框架。最终，通过数值算例对模型进行测试，并分析了关键参数对模型输出的敏感性。
4. 符号与假设 (Notations and assumptions)
本研究建立了一个针对零售商的缺陷产品库存系统数学模型，使用了一系列符号来清晰地定义参数与变量。关键参数包括：单位时间需求量(D)、订单批量(Y)、缺陷品比例(P)、各项成本（订购成本Co、持有成本Ch、缺货成本Cb、报废成本Cd、检验成本Cs、运输成本Ct1和Ct2以及碳排放成本Cc）和相应的费率（采购费率Rp、持有费率Rh、缺货费率Rb、报废费率Rd、检验费率Rs、燃料费率Rf、碳排放税率Rce）。运输碳排放基于燃料消耗量(FC)和单位燃料碳排放因子(Efc)计算，仓储碳排放基于电力消耗率(Re)和单位电力碳排放因子(Ewe)计算。模型的核心假设包括：每批次产品都存在固定比例的缺陷品且通过检验发现；所有缺陷品经检验后被报废或折价销售；总库存成本包含订购、持有、检验和处置成本；缺陷品比例被处理为模糊变量以应对不确定性；为实现可持续性目标，将运输和能源相关的碳排放纳入总成本考量。
5. 数学模型 (Mathematical model)
在以上假设和符号定义下，研究者构建了零售商的缺陷产品库存系统数学模型。如图1所示，在一个订货周期T内，零售商在t=0时刻收到Y单位产品，立即以X单位/月的速率开始检验。整个周期内，产品以D单位/月的速率满足客户需求。周期T由公式(1)给出：T = (1-P)Y / D。在时间点t1之前，库存逐渐耗尽，并累积最大为w单位的缺货。从t1到t2，新订单Y到达，优先补足w单位的缺货。从t2开始，在满足需求的同时，以更快的速率X进行检验，直到时间点t3完成全部Y单位的检验。此后，仅剩下无缺陷的完美品库存持续下降，直至下一周期开始。
总利润(TP)被定义为总销售收入(TR)与总成本(TC)之差。总成本(TC)是多个成本项的总和，包括订购成本、采购成本、检验成本、持有成本、缺货成本、缺陷品处置成本以及运输和仓储相关的碳排放成本。其中，碳排放成本由运输碳排放（与货物重量和运输距离相关）和仓储电力消耗碳排放两部分构成。
为了应对现实世界中缺陷品比例(P)的不确定性，研究者将P视为一个模糊参数，并用梯形模糊数表示：?i= (pi1, pi2, pi3, pi4)，其中i=1,...,4代表不同的模糊情景。基于此，推导出了模糊环境下的总成本(TC?i)、总收入(TR?i)和总利润(TP?i)的表达式。为了将模糊总利润函数转化为可用于优化的确定形式，研究者采用了签名距离法（Signed Distance Method）进行去模糊化。该方法将模糊利润函数TP?i转化为其确定的等价形式E[d(TP?i, 0?)]。最终，目标是在给定约束下，通过优化订单批量Y和最大允许缺货量w，最大化去模糊化后的期望总利润E[d(TP?i, 0?)]。
6. 数值分析 (Numerical analysis)
为了验证所提出模型的有效性和实用性，研究者设计了一个数值算例。他们为模型参数设定了具体的基准值，例如：预测需求D=1000单位/月，完美品和缺陷品售价Sp=75美元/单位、Sd=15美元/单位，各项成本和费率，检验速率X=1750单位/月，以及碳排放相关参数。缺陷品比例的模糊数设定为?1= (0.05, 0.06, 0.09, 0.10)。随后，研究者利用MATLAB?的粒子群优化（Particle Swarm Optimization, PSO）算法求解这个带约束的非线性规划问题，寻找最优的Y和w组合。优化结果表明，在基准参数下，最优订货量Y约为1248单位，最优最大缺货量w约为97单位，对应的最大期望总利润约为34,096.88美元。
为进一步理解模型行为，研究者进行了全面的敏感性分析（Sensitivity analysis），考察了关键参数（如需求D、完美品售价Sp、采购费率Rp、碳排放税率Rce等）变化对最优解（Y, w）和最大利润的影响。分析发现：(1)需求D的增加会导致最优订货量Y和最大利润的增加，而w保持相对稳定；(2)完美品售价Sp的提升会显著增加利润，并轻微增加Y；(3)采购费率Rp的增加会提高单位成本，导致最优订货量Y和总利润均下降；(4)提高碳排放税率Rce会增加总成本，从而降低最优利润，但最优订货量Y*会略微增加以减少运输频次以抵消部分碳排放成本。这些发现为管理者在不同市场条件和政策环境下调整库存策略提供了定量依据。
研究结论与讨论部分强调，本研究成功地构建并验证了一个创新的、AI与模糊理论融合的可持续库存管理模型。该模型的核心贡献在于三个方面：其一，将随机森林这一强大的AI预测工具与能够处理不确定性的模糊库存模型相结合，实现了对需求波动和缺陷品率的动态、精准管理。其二，明确量化了运输和仓储环节的碳排放，并将其货币化后整合到总成本模型中，为企业的绿色决策提供了直接的经济杠杆。其三，模型综合考虑了检验、缺货回补和缺陷品处置等实际运营流程，提供了一个更具现实性和可扩展性的框架。
研究结果证实，该混合模型能够有效确定最优订货批量和缺货策略，在不确定环境下实现总利润的最大化。敏感性分析进一步揭示了关键经济与环境参数对最优决策的影响，为企业适应市场变化和政策调整提供了清晰的指引。这项研究不仅推动了库存管理理论的发展，将可持续性维度与AI驱动的预测能力深度整合，也为企业在追求经济效益的同时，履行环境责任提供了切实可行的决策工具。未来研究可以探索将更复杂的机器学习模型（如LSTM）或更广泛的可持续发展指标（如水足迹）纳入框架，以进一步增强模型的预测能力和综合评估水平。
