A Survey on Data-Driven Demand Forecasting and Decision Support Systems for Agrochemical Supply Chain Management
Dr. Rais Abdul Hamid Khan · Vrushali Arote · Sanjana Shejwalkar 等 5 人
综述数据驱动的农化供应链需求预测与决策支持系统，分析统计、ML/DL等方法并指出未来方向。
系统综述统计、时间序列、机器学习、深度学习及DSS/ERP集成方法，比较性能与局
先进预测模型提升准确性，但存在数据稀缺、可解释性差等挑战，混合模型与新兴技术是趋势。
可探索结合IoT与数字孪生的实时预测系统，或开发可解释的混合模型以增强农化供应链韧性。
系统综述农化供应链需求预测与决策支持系统，涵盖ML/DL及未来方向，对智慧农业研究有参考价值。
需求预测在提升农化供应链管理的效率、可持续性和盈利能力方面发挥着关键作用。准确的需求预测使组织能够优化库存水平、降低运营成本、减少产品短缺并提高客户满意度。传统的统计预测方法长期以来一直用于需求估计；然而，农业市场日益复杂、季节性变化、气候不确定性以及动态的消费者需求，促使研究人员采用先进的预测技术。近年来，机器学习（ML）、深度学习（DL）以及ARIMA和Facebook Prophet等时间序列预测模型在预测准确性和决策能力方面展现出显著提升。同时，与企业资源计划（ERP）平台集成的决策支持系统（DSS）通过实现实时监控、库存优化和数据驱动的生产规划，彻底改变了供应链运营。本综述对近年来农化供应链管理中数据驱动需求预测和决策支持系统的相关研究进行了全面回顾。研究系统分析了研究人员近年来采用的统计预测方法、时间序列模型、机器学习算法、深度学习架构和智能决策支持框架。此外，本综述比较了现有方法的优势、局限性、应用领域和性能特征，同时指出了当前的研究空白和实际挑战。最后，讨论了涉及混合预测模型、可解释人工智能、物联网（IoT）、云计算和数字孪生技术的未来研究方向，以突出智能化和可持续农化供应链管理的新兴机遇。