第十一届挑战赛B1-产品订单分析与需求预测

摘要：

需求预测是企业供应链管理的基础，高效、准确的需求预测有助于采购计划和生产计划制定，减少业务波动影响。对于不规则时间序列数据，不同时间粒度趋势、波动、突变不同，因此以月、周、天为时间粒度，基于多个特征，采用不同建模方法预测订单需求量。

针对问题一，基于小样本、不规则时间序列数据进行预处理，BGCP 算法通过贝叶斯张量分解对不规则时间序列进行插补。剔除重复样本，使用隔离森林算法与四分位法确定异常样本，并分区域利用随机消除训练BGCP 算法，得到各区域最优参，修正异常样本。

研究不同因素对产品订单需求量影响。观察核密度估计图、柱状图，发现当产品价格在600 ∼ 800 时，订单需求量最大，升降价格都会导致订单下降，说明该价位被普遍接受。根据方差分析，认为不同区域产品有显著差异。观察各区域箱型图，发现101、102、105 区域订单需求量整体偏高，105 区域订单需求量稳定。观察箱型图、柱状图，发现线下订单需求量总和高于线上，比线上更稳定，但线上订单需求量中位数比线下高。观察各细类产品直方图、箱型图，发现406、410、411 类产品需求量分布较为集中。402、403、404 类产品需求量中位数高。401、408、409 需求量分布均匀，订单需求量稳定。

研究时间趋势对产品订单需求量影响。根据时序图，可知产品2 月、7 月总需求量最低，10 月总需求量达到峰值。月头需求量较少，月末需求量最大。观察柱状图、箱型图，发现节假日平均需求量比非节假日高，尤其是元旦假期间。观察箱型图，发现双十一促销活动比618 产品平均需求量高，但618 期间产品需求量更稳定。观察季节时序图发现每年秋季产品需求量最大，夏季最小，呈现明显季节趋势。各季节产品订单需求量中位数基本一致。

针对问题二，对历史数据进行特征工程，增加时间、节假日、促销、滞后等15 个特征。考虑到各特征具有时序特性，且大多为非线性影响，使用MMIFS 算法来量化各个特征与订单需求量间相关性，根据相关性强弱挑选出了12 个特征进行训练。使用CRU模型、DeepAR 模型和Prophet 模型来针对不同时间粒度需求量建模，以时间滚动交叉检验MSE 作为模型评估标准。在以天为时间粒度预测上，CRU 模型表现最优，这得益于其时间增量和时间扭曲模块对不规则时间建模的优势以及HuberLoss 损失函数。在测试集上，CRU 模型的MSE 为0.601。在以周为时间粒度上，DeepAR 模型对周期趋势较为敏感，预测表现最优，测试集上MSE 为0.475。在以月为时间粒度的小样本上Prophet模型使用时序分解模块，表现最优，测试集上MSE 为0.310。

本文针对数据特点，对比多种方法，选用表现最优模型，通过交叉检验评估验证了模型有效性，能够有效运用于其他不规则时序需求预测问题。

关键词：不规则时间序列；BGCP 插补；CRU 模型；DeepAR 模型；Prophet 模型

点击查看全文