This master’s dissertation examines intermittent demand forecasting, where frequent zero observations, irregular positive demand occurrence, and variability in non-zero quantities make reliable prediction difficult and complicate inventory planning. The study benchmarks classical intermittent forecasting methods against machine learning (ML) models under a common and controlled empirical framework. The analysis uses the M5 Forecasting Accuracy dataset and draws on a selected sample of 100 SKU level time series, balanced between Intermittent and Lumpy demand profiles. Croston and TSB are used as classical baselines, while Random Forest, Single stage LightGBM, and Two stage LightGBM represent the ML approaches. All models are evaluated on the same 28-day holdout period, with RMSE used as the primary metric and MAE and Bias used as secondary measures. The empirical evaluation is further supported by demand profile analysis, positive demand and spike capture diagnostics, series level evidence, and a statistical robustness check based on mean ranks, the Friedman test, and Wilcoxon signed rank tests. The findings indicate that ML models provide a stronger empirical basis than the classical methods within the selected evaluation framework, although the evidence does not support the complete statistical dominance of one ML approach over all alternatives. Random Forest holds the strongest overall position, while Two stage LightGBM is particularly relevant when separating demand occurrence from positive demand size aligns with the structure of the series. The dissertation concludes that model selection should depend on demand profile, feature availability, interpretability, implementation complexity, and inventory planning objectives rather than on aggregate accuracy alone.

Η παρούσα μεταπτυχιακή διπλωματική εργασία εξετάζει την πρόβλεψη διαλείπουσας ζήτησης, όπου οι συχνές μηδενικές παρατηρήσεις, η ακανόνιστη εμφάνιση θετικής ζήτησης και η μεταβλητότητα των μη μηδενικών ποσοτήτων δυσχεραίνουν την αξιόπιστη πρόβλεψη και περιπλέκουν τον σχεδιασμό αποθεμάτων. Η μελέτη συγκρίνει κλασικές μεθόδους πρόβλεψης διαλείπουσας ζήτησης με μοντέλα μηχανικής μάθησης σε κοινό και ελεγχόμενο εμπειρικό πλαίσιο. Η ανάλυση χρησιμοποιεί το σύνολο δεδομένων M5 Forecasting Accuracy και βασίζεται σε επιλεγμένο δείγμα 100 χρονοσειρών σε επίπεδο μονάδας αποθέματος (SKU), ισορροπημένο μεταξύ προφίλ διαλείπουσας ζήτησης και προφίλ αραιής ζήτησης με υψηλή μεταβλητότητα. Οι μέθοδοι Croston και TSB χρησιμοποιούνται ως κλασικές βάσεις αναφοράς, ενώ τα Random Forest, Single stage LightGBM και Two stage LightGBM εκπροσωπούν τις προσεγγίσεις μηχανικής μάθησης. Όλα τα μοντέλα αξιολογούνται στην ίδια περίοδο 28 ημερών, με τη ρίζα μέσου τετραγωνικού σφάλματος (RMSE) ως κύριο κριτήριο και το μέσο απόλυτο σφάλμα (MAE) και τη μεροληψία πρόβλεψης (Bias) ως δευτερεύοντα κριτήρια. Η εμπειρική αξιολόγηση υποστηρίζεται περαιτέρω από ανάλυση ανά προφίλ ζήτησης, διαγνωστικούς ελέγχους εντοπισμού θετικής ζήτησης και αιχμών, στοιχεία σε επίπεδο χρονοσειράς και στατιστικό έλεγχο ανθεκτικότητας με βάση τους μέσους βαθμούς κατάταξης, τον έλεγχο Friedman και τους ελέγχους προσημασμένων βαθμών κατάταξης Wilcoxon. Τα ευρήματα δείχνουν ότι τα μοντέλα μηχανικής μάθησης παρέχουν ισχυρότερη εμπειρική βάση από τις κλασικές μεθόδους στο επιλεγμένο πλαίσιο αξιολόγησης, αν και τα στοιχεία δεν υποστηρίζουν την πλήρη στατιστική υπεροχή μίας προσέγγισης μηχανικής μάθησης έναντι όλων των εναλλακτικών. Το Random Forest εμφανίζει την ισχυρότερη συνολική θέση, ενώ το Two stage LightGBM είναι ιδιαίτερα χρήσιμο όταν ο διαχωρισμός της εμφάνισης ζήτησης από το μέγεθος της θετικής ζήτησης ταιριάζει στη δομή των χρονοσειρών. Η διπλωματική εργασία καταλήγει ότι η επιλογή μοντέλου πρέπει να εξαρτάται από το προφίλ ζήτησης, τη διαθεσιμότητα χαρακτηριστικών, την ερμηνευσιμότητα, την πολυπλοκότητα υλοποίησης και τους στόχους σχεδιασμού αποθεμάτων, και όχι μόνο από τη συγκεντρωτική ακρίβεια.