デマンド予測におけるホライズン誘発劣化に適合した適応型ホライズン認識モデル選択フレームワーク

arXiv:2602.13939v5 Announce Type: replace 要旨: 間欠的デマンド、高い変動性、そして多段階計画が特徴的なビジネス環境では、静的なテストホライズンの評価ではなく、将来の運用ホライズンと整合性のあるモデル選択手順が必要となります。予測モデルに万能な優等者が存在せず、またランク付けは指標、デマンド構造、そして予測ホライズンによって異なるため、各シリーズに適したモデルを割り当てることは在庫計画、調達、そしてサプライチェーン管理において困難な課題です。本研究は、その課題に対応するために、「予測ホライズンによる指標劣化（Metric Degradation by Forecast Horizon、MDFH）」手順を主要な方法論的貢献として導入します。MDFH は、構造的安定性の条件下で、テストホライズンの外付け誤差指標を将来の運用ホライズンへと投射し、従来の静的評価を、多段階意思決定の文脈におけるホライズン認識のscheme へと変換します。この基礎から、本研究は RMSSEh を MDFH の最も簡潔な運用実現として導出し、間欠性と変動性に対する一元的なホライズン認識選択が不十分な場合（間欠性、変動性、指標の競合、そして予測バイアスの存在において）、適応拡張としての「適応型間欠性と変動性混合選択器（Adaptive Hybrid Selector for Intermittency and Variability、AHSIV）」を提案します。Walmart, M3, M4, M5 データセットに対する実証評価を、複数のトレーニング - テスト分割と 12 ステップの予測ホライズンを用いて行い、選択器メカニズムとしての RMSSEh, AHSIV, ERA を比較しました。結果は、MDFH がホライズン認識選択器設計の一貫した基盤を提供していることを示し、RMSSEh と AHSIV が異質なデマンド環境において競争力を保っていること、また AHSIV が構造的に複雑な設定において頑健性を付加することを示唆しています。全体として、マルチ SKU 環境における予測モデル選択は、運用計画の要求と整合したホライズン認識、構造感受的な割り当て問題として扱うべきです。

arXiv:2602.13939v5 Announce Type: replace Abstract: Business environments characterized by intermittent demand, high variability, and multi-step planning require model selection procedures aligned with future operational horizons rather than static test-horizon evaluation. Because no forecasting model is universally dominant, and rankings vary across metrics, demand structures, and forecast horizons, assigning an appropriate model to each series remains a difficult problem in inventory planning, procurement, and supply management. This study addresses that problem by introducing the Metric Degradation by Forecast Horizon (MDFH) procedure as its main methodological contribution. MDFH projects out-of-sample error metrics from the test horizon to a future operational horizon under structural stability conditions, converting conventional static evaluation into a horizon-aware scheme for multi-step decision contexts. From this basis, the study derives RMSSEh as the most parsimonious operational realization of MDFH and proposes the Adaptive Hybrid Selector for Intermittency and Variability (AHSIV) as an adaptive extension for cases where monometric horizon-aware selection is insufficient due to intermittency, variability, metric conflict, and forecast bias. Empirical evaluation on the Walmart, M3, M4, and M5 datasets, using multiple train-test partitions and 12-step forecasting horizons, compares RMSSEh, AHSIV, and ERA as selector mechanisms. Results show that MDFH provides a coherent basis for horizon-aware selector design, that RMSSEh and AHSIV remain competitive across heterogeneous demand environments, and that AHSIV adds robustness in structurally complex settings. Overall, forecasting model selection in multi-SKU environments should be treated as a horizon-aware, structure-sensitive assignment problem aligned with operational planning requirements.