Censored Data Forecasting: Applying Tobit Exponential Smoothing with Time Aggregation
删失数据预测：结合时间聚合的 Tobit 指数平滑AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要核心是删失时间序列的状态空间建模、时间聚合与需求预测，直接对应预测及时间序列方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
删失数据预测：结合时间聚合的 Tobit 指数平滑
- 研究问题
- 当销售等时间序列受到已知且可能随时间变化的删失上限约束时，如何结合时间聚合预测潜在需求并支持库存决策？
- 方法与思路
- 作者将带时间聚合约束的 Tobit 指数平滑写为创新状态空间模型，讨论系统方程与递归状态估计，并开展多场景案例分析。
- 材料陈述的贡献
- 摘要称该模型在严重删失下仍能获得接近未删失模型的预测与置信带，并在案例中减少缺货损失、过量库存及库存成本。
- 阅读关注点
- 应核对潜在需求与观测销售的关系、聚合约束如何进入状态更新、区间构造方法，以及库存比较的基准与成本设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出误差与成本数值，其优势是否适用于其他删失机制尚不能判断。
原文摘要
This study introduces a novel approach to forecasting by Tobit Exponential Smoothing with time aggregation constraints. This model, a particular case of the Tobit Innovations State Space system, handles censored observed time series effectively, such as sales data, with known and potentially variable censoring levels over time. The paper provides a comprehensive analysis of the model structure, including its representation in system equations and the optimal recursive estimation of states. It also explores the benefits of time aggregation in state space systems, particularly for inventory management and demand forecasting. Through a series of case studies, the paper demonstrates the effectiveness of the model across various scenarios, including hourly and daily censoring levels. The results highlight the model's ability to produce accurate forecasts and confidence bands comparable to those from uncensored models, even under severe censoring conditions. The study further discusses the implications for inventory policy, emphasizing the importance of avoiding spiral-down effects in demand estimation. The paper concludes by showcasing the superiority of the proposed model over standard methods, particularly in reducing lost sales and excess stock, thereby optimizing inventory costs. This research contributes to the field of forecasting by offering a robust model that effectively addresses the challenges of censored data and time aggregation.