La proporción del rango de inventario asociado con las piezas de repuesto se considera a menudo en el contexto industrial. Por lo tanto, incluso mejoras menores en la previsión de la demanda de piezas de repuesto pueden conducir a ahorros sustanciales. A pesar de los notables esfuerzos de investigación, la previsión de la demanda sigue siendo desafiante, especialmente en áreas con patrones de demanda irregulares, como la logística militar. Por lo tanto, en este estudio se desarrolló un modelo avanzado para prever con precisión esta demanda. El tanque K-X es uno de los tanques de batalla principales de tercera generación del Ejército de la República de Corea. Se obtuvieron datos sobre el consumo de piezas de repuesto de 1,053,422 puntos de datos transaccionales almacenados en un sistema de gestión logística militar. Se desarrollaron modelos de clasificación para la previsión de la demanda para aprovechar el aprendizaje automático, la generalización apilada y series temporales como métodos de referencia. Además, se establecieron diversas generalizaciones apiladas en la previsión de la demanda de piezas de repuesto. Los resultados demostraron que una selección adecuada de métodos podría ayudar a mejorar el rendimiento de los modelos de previsión en este dominio.