库存优化的机器学习实战课 - 第3节 ⏳ 时间序列概念

⏳ 时间序列概念

时间序列是按时间顺序排列的观测值序列。在库存需求中，它可以是每日、每周或每月的销量。核心要素包括：

趋势 (Trend) — 长期上升/下降
季节性 (Seasonality) — 固定周期波动
周期性 (Cycle) — 非固定长度的起伏

随机/噪声 (Noise) — 不可预测的变动
水平 (Level) — 序列的平均基准

                📌 库存视角：时间序列预测帮助我们提前感知需求变化，避免缺货或积压。
            

📈 需求时间序列 (含趋势)

🔁 季节性与随机波动

📊 移动平均法 (Moving Average)

通过取最近 k 期观测值的平均值来预测下一期。简单、平滑噪声。

🔹 公式

MAₜ = (Dₜ₋₁ + Dₜ₋₂ + … + Dₜ₋ₖ) / k

🔹 实例 (k=3)

周	实际需求	3期移动平均
1	120	—
2	150	—
3	130	—
4	160	(120+150+130)/3 = 133.3
5	145	(150+130+160)/3 = 146.7
6	175	(130+160+145)/3 = 145.0

滑动窗口 k=3

✅ 优点：简单、稳定； ❌ 缺点：滞后性，对突变反应慢。

✨ 指数平滑法 (Exponential Smoothing)

赋予近期观测值更高的权重，权重随历史呈指数衰减。适合没有明显趋势和季节性的数据。

🔸 简单指数平滑

Fₜ₊₁ = α · Dₜ + (1-α) · Fₜ

其中 α (0 < α ≤ 1) 为平滑系数，越接近1 模型越“相信”近期数据。

t	实际 Dₜ	预测 Fₜ (α=0.3)
1	100	100 (初始化)
2	120	0.3×100 + 0.7×100 = 100
3	115	0.3×120 + 0.7×100 = 106
4	130	0.3×115 + 0.7×106 = 108.7

⚖️ 权重衰减

📌 库存小贴士：α 越大，预测越灵敏；α 越小，越平滑。通常用历史数据交叉验证选择 α。

🏭 需求预测在库存中的作用

降低安全库存 — 更准的预测减少缓冲库存
减少缺货 / 积压 — 平衡服务水平与周转
优化补货计划 — 采购、生产更从容
资金效率提升 — 库存持有成本下降
供应链协同 — 信息共享，减少牛鞭效应

📋 需求预测 → 库存决策流程

🐍 Python 快速实现 (指数平滑)

# 简单指数平滑函数
def exponential_smoothing(series, alpha):
    result = [series[0]]  # 初始值
    for t in range(1, len(series)):
        result.append(alpha * series[t] + (1 - alpha) * result[-1])
    return result

demand = [100, 120, 115, 130, 125]
forecast = exponential_smoothing(demand, alpha=0.3)
print("预测值:", forecast)
# 输出: [100, 100.0, 106.0, 108.7, 112.09]

📦 需求预测入门 时间序列 · 移动平均 · 指数平滑