? ? ? ? 在供應鏈管理領域有較多的預估場景，例如送達時長預估、銷量預估、用電量預估。特別的在智能供應鏈領域，銷量和庫存的管理的智能化也依賴銷量預估，因此在本文我們整理了 銷量預估的算法詳細的技術方案。

????????時間序列預測在最近兩年內發生了巨大的變化，尤其是在kaiming的MAE出現以后，現在時間序列的模型也可以用類似MAE的方法進行無監督的預訓練。Makridakis M-Competitions系列（分別稱為M4和M5）分別在2018年和2020年舉辦（M6也在今年舉辦了）。2018年M4的結果表明，純粹的“ ML”方法在很大程度上勝過傳統的統計方法，這在當時是出乎意料的。在兩年后的M5[1]中，最的高分是僅具有“ ML”方法。并且所有前50名基本上都是基于ML的（大部分是樹型模型）。這場比賽看到了LightGBM（用于時間序列預測）以及Amazon's Deepar [2]和N-Beats [3]的首次亮相。N-Beats模型于2020年發布，并且優于M4比賽的獲勝者3％！

? ? ? ??

一、背景

1.1 銷量預估相關比賽

• ?1 Corporación Favorita Grocery Sales Forecasting
• ?2 天池新人實戰賽o2o優惠券使用預測

• ?3 [競賽] CCF2018-Top2-供應鏈預測

• ?4 [競賽] CCF BDCI 2019乘用車細分市場銷量預測

• ?5 JDATA如期而至-用戶購買時間預測

• ?6 m5 foreasting
• ?7 其他kaggle比賽

1.2 銷量預估相關論文

????????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、銷量預估算法的挑戰

2.1 技術挑戰 & 應對方案

技術挑戰	詳細????????	應對方案
零膨脹		同時分類商品銷量為0的概率，和回歸商品的銷量
偏分布		長尾數據剔除，對銷量取log。減少數據右偏，把數據轉化為類似正態分布
新商品		模型里保留新商品信息，loss里做mask
商品替代		多種算法預分組，引入商品類目、商品相似性
其他業務影響	節假日	引入出行節假日數據，品類和單品聯合學習
	營銷活動	營銷活動異構圖，提取營銷活動信息
	惡劣天氣	小時級天氣，惡劣天氣單獨訓練
	季節變化

2.1.1 零膨脹

詳細：零膨脹是人們在社會科學、自然中的計數資料的實際研究中，觀察事件發生數中含有大量的零值。

應對方案： 同時分類商品銷量為0的概率，和回歸商品的銷量

2.2.1 右偏分布

詳細： 偏態分布是與“正態分布”相對，分布曲線左右不對稱的數據次數分布，是連續隨機變量概率分布的一種。?

應對方案： 長尾數據剔除，對銷量取log

2.2.3 新商品

詳細：有大量新商品上架，或者部分商品因為不在架導致商品銷量為0

應對方案： 圖模型里保留商品新老品信息。

2.2.4 商品替代性

詳細： 部分商品有同款不同規格，另外一些商品相近。? ??

應對方案：?

2.2.5?其他業務影響

節假日

詳細：? ? ?

應對方案：?

營銷活動

詳細：? ? ?

應對方案：?

惡劣天氣

詳細：? ? ?

應對方案：?

季節變化

三、銷量預估算法的技術方案

3.1 時序模型

? ? ? ? Arima模型：

示例代碼：

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. 加載數據
data = pd.read_csv('sales_data.csv', parse_dates=['date'], index_col='date')

# 2. 檢查平穩性
result = adfuller(data['sales'])
print(f'ADF p-value: {result[1]:.3f}') ?# p<0.05則平穩

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

# 4. 確定ARIMA參數
plot_acf(data['sales_diff'].dropna(), lags=20) ?# 觀察q值
plot_pacf(data['sales_diff'].dropna(), lags=20) # 觀察p值
plt.show()

# 5. 訓練模型
model = ARIMA(data['sales'], order=(2, 1, 2)) ?# 根據ACF/PACF調整參數
results = model.fit()
print(results.summary())

# 6. 預測未來7天
forecast = results.get_forecast(steps=7)
forecast_mean = forecast.predicted_mean
forecast_ci = forecast.conf_int()

# 7. 可視化
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()

3.2 機器學習模型

3.2.1 特征

3.2.2 模型

樹模型：

????????Light GBM、XGB
?

深度序列模型：

????????TFT(google https://arxiv.org/pdf/1912.09363v1)

? ? ? ? DeepAR （Amazon）

3.3 新品長尾模型

3.4 路由模型

時間序列模型-Temporal Fusion Transformer - tinstone - 博客園

揭秘盒馬銷量預測核心算法的技術演進_數據_業務_銷售

?盒馬供應鏈算法實戰

阿里智慧供應鏈實踐：從“數字孿生”到“智能決策”

預測：方法與實踐（第三版）

Forecasting: Principles and Practice

智慧供應鏈的學習筆記（庫存管理、配補貨、倉間調撥、控制塔等）-CSDN博客

時間序列算法應用案例、工具庫學習筆記-CSDN博客

時序論文36｜如何在充分利用時間戳信息？

A comprehensive survey of deep learning for time series forecasting: architectural diversity and open challenges | Artificial Intelligence Review

5個時間序列預測的深度學習模型對比總結：從模擬統計模型到可以預訓練的無監督模型（附代碼）

活動、節假日、促銷等營銷方式的因果效應評估——特征工程篇（一）_corporación favorita grocery sales forecasting論文-CSDN博客

5個時間序列預測的深度學習模型對比總結：從模擬統計模型到可以預訓練的無監督模型

時間序列預測 —— DeepAR 模型-CSDN博客

使用 Temporal Fusion Transformer 進行時間序列預測

時間序列算法應用案例、工具庫學習筆記-CSDN博客