深度学习模型在供应链管理中的应用：使用迁移学习改进间歇时间序列需求预测

本文使用以下深度学习模型作为benchmark model：

多层感知器（Multilayer Perceptron，MLP）：这是一种最常见的人工神经网络模型，由多个神经元层组成。它通常用于分类和回归问题，并且相对易于训练和解释。我们将在本文中使用一个具有两个隐藏层的MLP模型。
卷积神经网络（Convolutional Neural Network，CNN）：这是一种用于图像识别和处理的深度学习模型，但它也可以用于时间序列预测问题。CNN模型包括卷积层、池化层和全连接层，可以自动提取时间序列的特征。我们将在本文中使用一个具有两个卷积层和两个全连接层的CNN模型。
长短期记忆网络（Long Short-Term Memory，LSTM）：这是一种常用于序列预测问题的循环神经网络模型。LSTM模型可以记住之前的时间步长，并根据这些信息进行预测，因此适用于处理具有长时间依赖关系的时间序列。我们将在本文中使用一个具有两个LSTM层和一个全连接层的LSTM模型。

对于每个模型，我们将使用相同的训练和测试数据集，并比较它们在预测准确性和计算速度方面的性能。