*Концептуальная иллюстрация складского планирования; не результат PathFM и не данные внедрения.*
PathFM — исследовательская модель, которая генерирует целые возможные траектории временных рядов. Для закупок это повод проверить распределение спроса за период ожидания поставки. Однако неопределённый день прихода товара и продажи в дни пустой полки требуют отдельных правил: сама траектория не определяет заказ.
15 октября 2026 года Jiachen Yao и соавторы разместили препринт PathFM на arXiv. Разбор подготовлен редакцией AIrassvet 18 октября для руководителей планирования, аналитиков и владельцев складских процессов. Мы изучили публикацию, но модель не запускали. Ниже — объяснение новости и предлагаемый порядок проверки, без обещания снижения запасов или дефицита.
Главный вывод: прежде чем выбирать прогнозную модель, зафиксируйте, до какого момента она должна покрывать спрос и какие наблюдения вообще считать спросом.
Содержание:
- Что нового в PathFM
- Какой прогноз нужен закупкам
- Два времени в одной задаче
- Почему продажи могут скрывать спрос
- Что записать перед сравнением
- Вопросы о PathFM
- Как AIrassvet помогает подготовить данные
- С чего начать
Что нового в PathFM
Авторы используют flow matching: модель учится преобразовывать шум в совместную будущую последовательность. Дистилляция сокращает генерацию до одного или двух вычислений модели на выходной блок. Это число вычислений, а не длительность прогноза в секундах. Механизм описан в разделе 3 исследования.
В авторском fps-bench сравнивают качество траекторий на 94 задачах, используя 32 траектории на прогноз. PathFM получает лучший агрегированный результат среди рассмотренных внешних базовых моделей. Для квантильных моделей авторы явно задают способы восстановления зависимости между моментами времени. Поэтому итог относится к этому протоколу, а не ко всем способам применения конкурирующих моделей. См. разделы 4–5.
В заявлении о воспроизводимости обещан будущий выпуск кода и весов. Подтверждённую установку и условия использования конкретного релиза мы не проверили. Также авторы указывают ограничение: модель пока не принимает дополнительные модальности вроде текста. См. обсуждение и заявление о воспроизводимости. Результаты статьи не подтверждают экономический эффект на складе читателя.
Какой прогноз нужен закупкам
Траектория — один возможный будущий сценарий с упорядоченными значениями по времени. Квантиль, например верхняя граница выбранного уровня, описывает отдельную часть распределения. Связь будущих дней нужна, если решение зависит от суммы, пика или последовательности событий. Это различие разобрано в постановке задачи PathFM.
Для обсуждения закупок полезно разделить вопросы. «Сколько ожидаем продать завтра?» — вопрос об одном периоде. «Каков средний суммарный спрос?» — вопрос об ожидании суммы: при согласованных единицах можно сложить дневные средние. «С какой неопределённостью связан спрос до пополнения?» — уже вопрос о распределении суммы и границе периода.
Предлагаемый порядок расчёта: внутри каждого сценария определить нужный интервал, посчитать спрос за него и затем сравнивать полученные суммы. Не следует подменять этот объект суммой верхних дневных квантилей без явного предположения о зависимости. Это рекомендация к постановке проверки, а не измеренный результат PathFM.
Базовые вопросы о сезонности, промо и временной валидации разобраны в материале о прогнозировании спроса с ИИ. Здесь фокус уже: где заканчивается горизонт спроса, который должен покрыть конкретный запас.
Два времени в одной задаче
Представим условный склад расходных материалов. Планировщик делает расчёт утром; приход ожидается в конце недели, но может задержаться. Это вымышленный пример для постановки задачи, без клиентских данных и результатов внедрения.
В нём есть два разных времени. Момент расчёта определяет, что уже известно системе. Момент доступности пополнения определяет, до какого дня нужен запас. Если для удобства всегда обрезать сценарии на плановой дате, проверка перестанет отвечать на вопрос о покрытии при опоздании.
Начать можно с отдельных условных вариантов: приход вовремя и приход позже. Для каждого варианта явно фиксируют дату доступности и считают спрос до неё. Если вероятности задержек неизвестны, варианты нельзя выдавать за откалиброванное вероятностное распределение. Их стоит подписать как сценарный анализ.
Дополнительная сложность возникает, если спрос и задержка связаны общей причиной — например, сезонным пиком. Случайно смешивать их независимо значит принять отдельное предположение. Прежде чем использовать такую схему, нужно обосновать её на данных либо оставить зависимость незакрытым ограничением. В проверенных разделах PathFM мы не нашли основания считать задачу случайного срока поставки готовой функцией модели.
Не менее важно определить смысл «товар пришёл». Разгрузка, приёмка и доступность для отгрузки могут быть разными событиями. Предлагаем выбрать одно операционное событие и применять его одинаково в истории и при проверке. Это решение владельца процесса, которое нельзя извлечь из рейтинга прогнозных моделей.
Почему продажи могут скрывать спрос
В предлагаемой складской проверке нельзя автоматически приравнивать отсутствие продаж к отсутствию потребности. Если товара не было в наличии, журнал продаж показывает совершённые покупки, но не сообщает, сколько покупателей отказались от заказа. Поэтому нулевое наблюдение требует контекста остатков и доступности товара.
Практический первый шаг — сохранить исходные продажи и отдельно отметить периоды ограниченной доступности. Не стоит незаметно заменять такие значения «восстановленным спросом», а затем оценивать прогноз на этих же догадках как на факте. Если используется метод восстановления, его правило, входные данные и неопределённость нужно вынести в описание проверки.
При историческом сравнении важен ещё один вопрос: какие сведения были доступны на дату расчёта? Позднее уточнённый приход, исправленные остатки или окончательная классификация промо могут улучшить исторический результат, хотя рабочая система их тогда не знала. Принцип проверки на последовательных временных отсечках изложен в учебнике Forecasting: Principles and Practice, раздел о временной кросс-валидации.
Отсюда предлагаем два отчёта: качество на периодах с наблюдаемыми продажами при наличии товара и отдельный разбор периодов с ограниченной наблюдаемостью спроса. Объединять их в одно обещание точности преждевременно. Сама генерация большого числа сценариев не устраняет неопределённость исходных данных.
Что записать перед сравнением
Ниже — предлагаемый рабочий лист для обсуждения. Он не является проверенной методикой PathFM. Его задача — сделать видимыми условия, при которых сравнение прогнозов отвечает складскому решению.
| Поле | Что зафиксировать | Что иначе останется неясным |
|---|---|---|
| Отсечка информации | Время расчёта и версии доступных данных | Не попала ли будущая информация в прошлый прогноз |
| Объект спроса | Товар, склад, единица и шаг времени | Можно ли складывать значения внутри периода |
| Граница покрытия | Событие доступности прихода; правило включения дня | До какого момента нужен запас |
| Задержки | Условные варианты либо обоснованная вероятностная модель | На чём основана неопределённость срока |
| Наблюдаемость | Продажи, остатки и метки отсутствия товара | Где фактический спрос неизвестен |
| Правило решения | Исходный запас, разрешённые действия и критерий ошибки | Проверяется прогноз или уже политика заказа |
Для сравнения предлагаем сохранить действующий прогноз и подходящий статистический ориентир. Если существующая система уже учитывает временную зависимость, её нельзя искусственно ослаблять до независимых дневных значений. Кандидату и базовому варианту нужны одинаковые временные отсечки, доступные признаки и ограничения.
Оценивать следует именно выбранный объект: например, распределение суммы за согласованный период. При вероятностном прогнозе дополнительно проверяют калибровку — соответствуют ли заявленные вероятности частотам наблюдаемых событий на серии исторических расчётов. Выбор критериев надо завершить до просмотра результата кандидата.
Стоимость также относится ко всему процессу: получение данных, генерация, хранение сценариев, расчёт итоговой величины и разбор исключений. В этой статье нет замера времени или стоимости такого контура. Готовность к сравнению начинается с воспроизводимой постановки, а не с переноса исследовательского рейтинга в финансовый план.
Вопросы о PathFM
Можно ли использовать PathFM для автоматического заказа товара?
Препринт описывает прогнозную модель, а не готовую политику закупки. Для заказа отдельно нужны доступные остатки, срок пополнения, ограничения и правила подтверждения действий. Мы не проверяли такой рабочий сервис.
Нужно ли всегда прогнозировать полные траектории?
Нет. Для отдельного периода может хватить его распределения, а для среднего суммарного спроса — суммы средних. Траектории полезны, когда решение зависит от неопределённости суммы, пика или порядка событий.
Учитывает ли PathFM опоздание поставки?
В проверенном исследовании не подтверждена готовая функция совместного прогноза спроса и случайного срока поставки. Правило прихода следует задать отдельно; связь задержки со спросом тоже требует обоснования.
Доказывает ли fps-bench снижение дефицита на складе?
Нет. Авторский бенчмарк сравнивает прогнозы в заданном протоколе. Складской результат требует отдельной проверки на подходящих данных и при зафиксированной политике пополнения. Собственных измерений дефицита в этой статье нет.
Как AIrassvet помогает подготовить данные для прогноза
Для такой задачи релевантны направления AIrassvet: ML-прогнозирование, подготовка данных, интеграция и тестирование. Предмет работ можно сформулировать конкретно: согласовать историю продаж с остатками и событиями приёмки; подготовить временные срезы для сравнения; связать проверенный прогноз с системой планирования. Это не заявление о готовой поддержке PathFM или достигнутой экономии.
Первый шаг — выбрать один процесс пополнения, описать текущий прогноз, источники данных, ограничения и критерий приёмки. Обсудить задачу.
С чего начать
PathFM даёт повод пересмотреть объект прогнозирования: для решения о запасе может быть нужна целая будущая последовательность. Но до проверки модели нужно согласовать момент отсечки, событие доступности прихода и периоды, где продажи не раскрывают спрос.
Начните с одного товара и склада: заполните рабочий лист и убедитесь, что историческую задачу можно восстановить из данных, известных на тот момент. Если граница покрытия или спрос остаются неизвестными, сохраните это ограничение в отчёте. Тогда последующее сравнение моделей будет отвечать понятному операционному вопросу.
