Time Series-Based Demand Forecasting in Supply Chain Systems Using Machine Learning and Deep Learning Models

Abstract

Accurate demand forecasting is essential for optimizing inventory and reducing costs in modern supply chains. However, increasing data volatility and non-linearity expose the limitations of traditional statistical methods. This thesis critically examines the application of machine learning (ML) and deep learning (DL) approaches for time-series demand forecasting, while comparing them with classical forecasting methods. Through a systematic review of recent empirical literature, this study evaluates the predictive performance and practical applicability of these forecasting paradigms. The findings reveal that while classical methods remain effective for stable demand patterns, ML models— particularly tree-based approaches such as XGBoost and Random Forest—provide a strong balance between accuracy, interpretability, and scalability. In contrast, DL architectures, including LSTM and GRU, demonstrate superior capabilities in capturing complex temporal dependencies and nonlinear patterns, although they generally require larger datasets and greater computational resources. Furthermore, the research identifies critical challenges affecting real-world adoption, including data quality issues, temporal data leakage, cold-start scenarios, and model interpretability limitations. It emphasizes that forecasting models should be assessed not only through statistical accuracy metrics but also through their impact on operational and financial Key Performance Indicators (KPIs). Ultimately, this thesis provides a structured framework for selecting appropriate forecasting approaches and highlights future directions such as adaptive forecasting, explainable AI, and lightweight models for practical deployment.***

Une prévision précise de la demande est essentielle pour optimiser les stocks et réduire les coûts dans les chaînes d’approvisionnement modernes. Cependant, l’augmentation de la volatilité des données et de la non-linéarité expose les limitations des méthodes statistiques traditionnelles. Cette thèse examine de manière critique l’application des approches d’apprentissage automatique et d’apprentissage profond pour la prévision des séries temporelles de demande, en les comparant aux méthodes de prévision classiques. Par le biais d’un examen systématique de la littérature empirique récente, cette étude évalue la performance prédictive et l’applicabilité pratique de ces paradigmes de prévision. Les résultats révèlent que si les méthodes classiques restent efficaces pour les modèles de demande stables, les modèles d’apprentissage automatique—en particulier les approches basées sur les arbres décisionnels tels que XGBoost et Random Forest—offrent un équilibre solide entre la précision, l’interprétabilité et l’évolutivité. En revanche, les architectures d’apprentissage profond, notamment LSTM et GRU, démontrent des capacités supérieures pour capturer les dépendances temporelles complexes et les modèles non linéaires, bien qu’elles nécessitent généralement des ensembles de données plus importants et davantage de ressources informatiques. De plus, la recherche identifie les défis critiques affectant l’adoption dans le monde réel, notamment les problèmes de qualité des données, la fuite de données temporelles, les scénarios de démarrage à froid et les limitations d’interprétabilité des modèles. Elle souligne que les modèles de prévision doivent être évalués non seulement sur la base de métriques de précision statistique, mais aussi sur leur impact sur les indicateurs clés de performance (KPI) opérationnels et financiers. Finalement, cette thèse fournit un cadre structuré pour sélectionner les approches de prévision appropriées et met en évidence les orientations futures telles que la prévision adaptative, l’intelligence artificielle explicable et les modèles légers pour un déploiement pratique.