实现Artificial Intelligence in Supply Chain Management: Investigation of Transfer Learning to Improve Demand Forecasting of Intermittent Time Series with Deep Learning中的benchmark model

在这篇论文中，作者使用了两种基准模型来比较他们的深度学习模型的表现。这两种基准模型分别是简单指数平滑模型和Croston模型。

简单指数平滑模型是一种常用的时间序列预测方法，它假设未来的值与当前值的权重成比例。具体来说，它使用一个指数平滑系数来加权当前观察值和之前的预测值。这个系数越大，当前观察值对预测值的影响就越大。

Croston模型是专门用于处理间歇性需求时间序列的方法。它是一种两部分模型，其中一部分用于预测需求发生的时间间隔，另一部分用于预测需求的数量。这个模型不像简单指数平滑模型那样假设未来的值与当前值的权重成比例，而是使用一个类似于平均绝对误差的指标来计算预测误差，并根据这个误差来调整预测值和预测间隔。

通过与这两个基准模型进行比较，作者证明了他们的深度学习模型的优越性。具体来说，他们的模型在预测较短的时间间隔（例如1个月）的需求时表现最好，但在预测较长时间间隔（例如6个月）的需求时，简单指数平滑模型的表现略微优于他们的模型。