1. 课程导论：间歇需求定义、预测挑战、因果特征与模型集成核心价值
1.1 间歇需求的定义与业务场景
间歇需求（Intermittent Demand）是指需求在时间序列上呈现大量零值、偶发非零值的模式。这类需求在供应链中普遍存在，尤其在备件、高价值设备、奢侈品及定制化产品领域。
| 特征维度 | 描述 | 典型示例 |
|---|---|---|
| 需求稀疏性 | 大部分时间周期需求为零 | 飞机发动机备件，年需求仅 2-5 次 |
| 需求波动性 | 非零需求出现时，数量波动极大 | 医疗设备维修件，单次需求 1~100 件 |
| 自相关性弱 | 历史需求对未来预测的统计信息有限 | 工业机器人关节轴承，无季节规律 |
| 长尾分布 | 少数 SKU 贡献大部分需求价值 | 汽车 4S 店售后配件，80% SKU 为慢动件 |
业务痛点： 间歇需求预测不准直接导致库存积压（资金占用）或缺货（客户流失）。传统时间序列方法（如 ARIMA、指数平滑）在零值密集场景下预测误差极大，亟需新的建模范式。
1.2 间歇需求预测的核心挑战
与连续需求不同，间歇需求预测面临以下结构性难题：
- 零膨胀问题： 数据中零值比例常超过 70%，传统回归模型倾向于预测均值，导致大量负值或低估非零事件。
- 事件不确定性： 需求“是否发生”与“发生多少”是两个不同性质的决策问题，单一模型难以同时优化。
- 特征稀疏性： 历史需求序列本身信息量不足，需要引入外部因果特征（如设备运行小时数、维修计划、天气数据）来弥补。
- 评估指标失真： 常用 MAPE 在零值周期无定义，MAE 对间歇性不敏感，需要专用指标（如 MASE、sMAPE、Pinball Loss）。
工程启示： 间歇需求预测不是单纯的“算法问题”，而是“特征工程 + 模型结构设计 + 业务规则融合”的系统工程。因果特征的引入是突破预测瓶颈的关键。
1.3 因果特征建模：从相关到因果
传统特征工程关注相关性（如历史均值、滞后项），但在间歇场景下，相关性容易因零值过多而失效。因果特征建模强调识别并量化影响需求发生的驱动因素，而非仅仅拟合历史模式。
注意： 因果特征不是简单的“多堆特征”。需要结合领域知识（如设备故障机理、维修策略、供应链网络结构）进行结构化设计，否则容易引入噪声。
1.4 模型集成：从单一模型到工程化组合
单一模型（如 Croston 法、TSB 法、LightGBM）在间歇需求上各有短板。模型集成通过组合多个异构模型，利用它们的互补性提升预测稳健性。
| 集成策略 | 核心思想 | 适用场景 |
|---|---|---|
| Stacking | 用元模型学习基模型输出的最优组合 | 基模型差异大、数据量充足 |
| 加权平均 | 根据验证集误差动态分配权重 | 快速部署、计算资源受限 |
| 分位数集成 | 分别预测需求发生概率与需求数量 | 需要安全库存决策支持 |
| Boosting 集成 | 顺序训练，每轮聚焦上一轮残差 | 特征维度高、非线性关系强 |
1.5 课程核心价值与学习路径
本课程将围绕以下三条主线展开：
- 因果特征工程： 从业务逻辑出发，构建可解释、可泛化的特征体系，解决零膨胀与特征稀疏问题。
- 模型集成工程： 设计稳健的集成框架，融合统计模型、树模型与深度学习，提升预测精度与稳定性。
- 工业级落地： 涵盖数据管道、模型评估、在线推理与监控，确保方案可复现、可扩展。
预期收获： 掌握一套从“特征设计 → 模型构建 → 集成优化 → 工程部署”的完整方法论，能够独立应对实际供应链中的间歇需求预测难题。