第十一届挑战赛B2-产品订单的数据分析与需求预测

摘要：

产品需求量作为企业供应链尤其重要的部分，在外部环境越来越复杂的今天，稳定的产品需求需求更加精准的预测，并且复杂环境中存在各种各样的因素，如价格、区域、销售方式、类别和时间等因素不同程度影响着产品需求量的预测。针对存在多种因素、不同类型数据的产品需求量，需要利用不同预测模型进行分析与预测。

本文尝试采用机器学习模型、深度学习模型，时间序列模型以及组合模型来预测不同数据类型、不同因素影响下的产品未来需求量，对比不同预测粒度下的预测精度，为企业合理安排生产计划提供决策性依据。

针对问题一，采用了建立双对数线性回归模型，计算需求价格弹性，对不同价格影响需求量进行分析，并采用了呈现统计信息以及数据可视化，如绘制散点、折线、帕累托图等，分析其他因素对需求量的影响。分析单因素影响需求量后，对不同因素进行组合，分析因素间联系以及多因素对需求量的影响。分析结果表明，部分产品需求量受价格波动影响明显，整体上价格上涨，需求量降低，反之亦然。不同区域之间存在关联，部分产品需求量相近。产品销售方式仍然以线下为主流。受产品质量、用途影响，不同类别的需求量有明显差异。时间方面，月头月中月末需求量基本相当，春节所在月份需求量最低，年中、夏季时需求量偏低。节假日附近时间段需求量偏低。多种因素之间相互制约共同影响需求量。

针对问题二，采用了三种思路进行预测，思路一：利用多特征的机器学习进行预测，具体建立RF、LightGBM、XGBoos、CatBoost 模型以及模型融合，对比后模型融合在预测表现较好，并在不同时间粒度下，预测精度有所提升，达到0.911。思路二：利用分区域单特征的深度学习对稀疏数据进行预测，建立LSTM模型预测，结果显示预测结果较差，拟合优度为0.239。思路三：利用分类别单特征的组合模型ARIMA-LSTM 模型进行预测类别总需求量，再按规定权重进行预测单产品需求量。并在预测的同时利用Prophet 与NeuralProrhet 模型预测填充缺失天数的需求量。分析不同思路中预测结果与精度，最终选取机器学习预测的结果作为最终预测结果。结果也表明，在时间粒度的深入下，输入模型数据量变多，数据更加精准，预测精度有所提高。

关键词：产品需求预测；双对数线性回归模型；机器学习；ARIMA-LSTM 模型；Prophet 与NeuralProrhet 模型

点击查看全文