供应链预测模型实战精讲

01

供应链预测概述 定义、重要性、应用场景（零售/制造/物流）及预测挑战

02

预测基础与数学原理 时间序列、平稳性、自相关、偏自相关、白噪声、趋势/季节/周期

03

数据预处理实战 缺失值/异常值处理、重采样、时间戳对齐、移动平均/指数平滑

04

特征工程（上） 时间特征提取、滞后特征、滚动窗口统计特征

05

特征工程（下） 外部特征融合、特征选择、特征缩放（标准化/归一化）

06

经典统计模型（一） 朴素法、移动平均、加权移动平均、指数平滑(SES)原理与Python

07

经典统计模型（二） Holt线性趋势、Holt-Winters季节性模型、参数调优实战

08

ARIMA模型（上） AR/MA/ARMA/ARIMA数学原理、差分、ACF/PACF定阶

09

ARIMA模型（下） Python statsmodels建模、残差检验、auto_arima调优

10

SARIMA与SARIMAX模型 季节性ARIMA、外生变量、实战：带促销的周销量预测

11

Prophet模型（上） 加法模型、趋势变化点、季节/节假日效应、安装与快速入门

12

Prophet模型（下） 参数调优、自定义节假日、交叉验证与性能评估

13

机器学习模型入门 线性回归/岭回归/Lasso、特征矩阵构建（监督学习视角）

14

树模型实战 决策树、随机森林、XGBoost/LightGBM对比与调参

15

深度学习模型（一） MLP时间序列预测、滑动窗口、Keras/TensorFlow实战

16

深度学习模型（二） RNN / LSTM / GRU 原理与预测实战

17

深度学习模型（三） Seq2Seq、注意力机制、Transformer前沿应用

18

模型集成与堆叠 Voting/Averaging/Stacking/Blending，融合ARIMA+Prophet+XGBoost

19

预测评估指标 MAE/MSE/RMSE/MAPE/sMAPE/MASE定义、Python计算与可视化

20

交叉验证策略 Expanding/Rolling Window、TimeSeriesSplit、避免数据泄露

21

超参数调优 网格搜索、随机搜索、贝叶斯优化(Optuna/Hyperopt)

22

多步预测策略 递归/直接/多输出/Seq2Seq多步预测优缺点与实现

23

多层级预测 (Hierarchical) 自上而下/自下而上/最优组合(MinT)、scikit-hts实战

24

需求感知与库存优化 安全库存、再订货点(ROP)、服务水平优化

25

异常检测与预警 基于残差的异常检测、CUSUM算法、实时预警系统

26

端到端预测Pipeline 数据采集→特征工程→训练→部署→监控 (MLflow/Airflow)

27

实战项目（一） 零售周销量预测：ARIMA+Prophet+XGBoost单品对比

28

实战项目（二） 多SKU库存预测：LSTM多步预测+安全库存+补货建议

29

实战项目（三） 供应链需求感知系统：FastAPI实时预测API+可视化看板

30

课程总结与前沿展望 模型选型指南、M5竞赛、大模型(LLM)潜力、持续学习建议