一家消費品公司擁有許多產品變體的完整銷售歷史，目前使用 ARIMA 模型。他們希望預測即將推出的新產品的需求。機器學習專家應該使用哪種方法？

DeepAR 是一種專為時間序列預測設計的深度學習模型，特別適合處理具有多個相關時間序列的場景，例如具有許多產品變體的銷售數據。它能從現有產品的銷售歷史中學習模式，並將這些模式應用於預測新產品的需求，即使新產品沒有歷史數據也能進行預測。 客製化的 ARIMA 模型需要新產品的歷史數據才能訓練，這與題目中「即將推出的新產品」不符。K-means 聚類是一種無監督學習方法，主要用於數據分組，而非時間序列預測。XGBoost 是一種強大的監督學習模型，但它通常需要豐富的特徵工程和歷史數據來預測，對於沒有歷史數據的新產品，其效果不如專為時間序列設計的 DeepAR。