在线超市 Picnic 近日宣布彻底重构其人工智能驱动的需求预测系统。通过采用模块化模型架构，新系统将测试周期从数周缩短至数小时，在提升预测准确性的同时有效降低了计算成本。作为物流规划的核心基础，该预测系统直接决定了未来14天内司机调度、仓储能力及履行中心的人员配置。
新型预测模型取代复杂架构
Picnic 此前采用时序融合变换器（TFT）模型，整合历史需求数据与日期、节假日及物流地点等信息进行预测。然而，该模型存在显著缺陷：当配送时段因容量饱和关闭时，系统常将订单停止误判为需求下降，导致实际客户兴趣被低估。此外，复杂的模型结构使得回溯测试困难，验证新方法需与生产系统并行运行数周。
独立测算预期订单比例
为解决上述问题，Picnic 将订单流入的时间进程与实际预测模型解耦。系统基于历史模式，综合考量具体位置、星期几及配送时间范围等因素，确定特定时间点通常已存在的预期订单比例。补充模型将这些期望值与实际收到的订单关联，使预测能够持续更新，不再单纯依赖现有订单推导剩余需求。
算法重建流失订单需求
针对配送窗口满额导致的订单流失或转移情况，Picnic 开发了未实现需求重建方法。借助数学优化技术，系统既能估算流失需求，也能量化相邻配送窗口间的订单转移量。修正后的数据作为训练基础，旨在排除运营能力限制干扰，精准反映实际需求量。
简化AI模型提升预测稳定性
大规模回溯测试显示，重复训练同一模型可能产生自然波动，部分看似改进实则为随机误差。研究发现，复杂度较低的 Time-Series Dense Encoder (TiDE) 模型性能与 Transformer 相当。因此，Picnic 转而采用五个并行训练的 TiDE 模型集成预测结果。这种集成方法不仅提高了稳定性，还缩短了训练时间。结合修正后的需求数据，新系统在超过一周的长周期预测中准确性显著提升，系统性高估和低估现象明显减少。
模块化架构加速迭代验证
此次重构最重要的进展在于后续开发效率的提升。凭借模块化架构，团队可完全模拟历史流程，仅利用相应时间点实际可用的信息，在数小时内完成新模型变体的评估与错误率对比。这意味着人员、运输和仓储规划将更加灵活，新技术也能更快投入测试并追踪其对预测质量的影响。尽管公司未披露具体的财务节省指标，但这一技术升级将为自动化物流规划的持续优化奠定坚实基础。