当前位置：首页 > news >正文

供应链算法整理（一）--- 销量预估

news 2025/5/4 7:15:10

在供应链管理领域有较多的预估场景，例如送达时长预估、销量预估、用电量预估。特别的在智能供应链领域，销量和库存的管理的智能化也依赖销量预估，因此在本文我们整理了销量预估的算法详细的技术方案。

时间序列预测在最近两年内发生了巨大的变化，尤其是在kaiming的MAE出现以后，现在时间序列的模型也可以用类似MAE的方法进行无监督的预训练。Makridakis M-Competitions系列（分别称为M4和M5）分别在2018年和2020年举办（M6也在今年举办了）。2018年M4的结果表明，纯粹的“ ML”方法在很大程度上胜过传统的统计方法，这在当时是出乎意料的。在两年后的M5[1]中，最的高分是仅具有“ ML”方法。并且所有前50名基本上都是基于ML的（大部分是树型模型）。这场比赛看到了LightGBM（用于时间序列预测）以及Amazon's Deepar [2]和N-Beats [3]的首次亮相。N-Beats模型于2020年发布，并且优于M4比赛的获胜者3％！

一、背景

1.1 销量预估相关比赛

1 Corporación Favorita Grocery Sales Forecasting
2 天池新人实战赛o2o优惠券使用预测
3 [竞赛] CCF2018-Top2-供应链预测
4 [竞赛] CCF BDCI 2019乘用车细分市场销量预测
5 JDATA如期而至-用户购买时间预测
6 m5 foreasting
7 其他kaggle比赛

1.2 销量预估相关论文

GitHub - hushuguo/awesome-time-series-papers: This repository offers a collection of recent time series research papers, including forecasting, anomaly detection and so on , with links to code and resources.

二、销量预估算法的挑战

2.1 技术挑战 & 应对方案

技术挑战	详细	应对方案
零膨胀		同时分类商品销量为0的概率，和回归商品的销量
偏分布		长尾数据剔除，对销量取log。减少数据右偏，把数据转化为类似正态分布
新商品		模型里保留新商品信息，loss里做mask
商品替代		多种算法预分组，引入商品类目、商品相似性
其他业务影响	节假日	引入出行节假日数据，品类和单品联合学习
	营销活动	营销活动异构图，提取营销活动信息
	恶劣天气	小时级天气，恶劣天气单独训练
	季节变化

2.1.1 零膨胀

详细：零膨胀是人们在社会科学、自然中的计数资料的实际研究中，观察事件发生数中含有大量的零值。

应对方案：同时分类商品销量为0的概率，和回归商品的销量

2.2.1 右偏分布

详细：偏态分布是与“正态分布”相对，分布曲线左右不对称的数据次数分布，是连续随机变量概率分布的一种。

应对方案：长尾数据剔除，对销量取log

2.2.3 新商品

详细：有大量新商品上架，或者部分商品因为不在架导致商品销量为0

应对方案：图模型里保留商品新老品信息。

2.2.4 商品替代性

详细：部分商品有同款不同规格，另外一些商品相近。

应对方案：

2.2.5 其他业务影响

节假日

详细：

应对方案：

营销活动

详细：

应对方案：

恶劣天气

详细：

应对方案：

季节变化

三、销量预估算法的技术方案

3.1 时序模型

Arima模型：

示例代码：

import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
from statsmodels.tsa.stattools import adfuller
from sklearn.metrics import mean_absolute_error

# 1. 加载数据
data = pd.read_csv('sales_data.csv', parse_dates=['date'], index_col='date')

# 2. 检查平稳性
result = adfuller(data['sales'])
print(f'ADF p-value: {result[1]:.3f}') # p<0.05则平稳

# 3. 差分（若未平稳）
data['sales_diff'] = data['sales'].diff().dropna()

# 4. 确定ARIMA参数
plot_acf(data['sales_diff'].dropna(), lags=20) # 观察q值
plot_pacf(data['sales_diff'].dropna(), lags=20) # 观察p值
plt.show()

# 5. 训练模型
model = ARIMA(data['sales'], order=(2, 1, 2)) # 根据ACF/PACF调整参数
results = model.fit()
print(results.summary())

# 6. 预测未来7天
forecast = results.get_forecast(steps=7)
forecast_mean = forecast.predicted_mean
forecast_ci = forecast.conf_int()

# 7. 可视化
data['sales'].plot(figsize=(12, 5), label='Observed')
forecast_mean.plot(label='Forecast', color='red')
plt.fill_between(forecast_ci.index, forecast_ci.iloc[:, 0], forecast_ci.iloc[:, 1], color='pink', alpha=0.3)
plt.title('ARIMA Sales Forecast')
plt.legend()
plt.show()