Gen-QOT 提前期分布建模 - 动态安全库存防海运延误

1. 解决的问题

母婴跨境海运提前期(Lead Time, LT)在 25-50 天剧烈波动(苏伊士事件/港口拥堵). 传统安全库存假设 LT 固定,实际服务水平远低于设定值(设 95% 实际只有 85%). Gen-QOT 用深度自回归生成模型对 LT 进行分布式建模(不假设参数分布),并把"订单整批到货"扩展为分批随机到达(QOT, Quantity-Over-Time),精确建模拼箱拆批到港行为. 动态安全库存自适应季节性 + 港口拥堵期.

2. 核心算法逻辑

母婴跨境海运提前期(Lead Time, LT)在 2550 天剧烈波动(苏伊士事件/港口拥堵). 传统安全库存假设 LT 固定,实际服务水平远低于设定值(设 95% 实际只有 85%). GenQOT 用深度自回归生成模型对 LT 进行分布式建模(不假设参数分布),并把"订单整批到货"扩展为分批随机到达(QOT, QuantityOverTime),精确建模拼箱拆批到港行为. 动态安全库存自适应季节性 + 港口拥堵期.

3. 业务应用场景

- 业务问题:苏伊士运河拥堵 / 巴拿马运河旱季 / 港口积压时,Momcozy 海运 LT 从均值 30 天变成 50+ 天,预警通常滞后 2-3 周才发现库存紧张. 单次缺货损失 BSR 排名(恢复需 3-6 月)+ 直接销售损失,单产品月损失约 30-80 万元 - 数据要求:历史 PO 到货时序(至少 200 条) + 当前在途订单 + 港口拥堵实时指数(可选) - Gen-QOT 配置: - GluonTS DeepAR 拟合 LT 经验分布,输出 P10/P50/P90 分位数 - 实时监控 $P_{90}(LT) - P_{10}(LT)$ 跨度,> 20 天触发预警 - 自动提

- 业务问题:Momcozy 双 11 期间需求和 LT 同时方差扩大,传统全年固定安全库存系数导致旺季前 6 周安全库存严重不足 + 旺季后 4 周积压. 旺季前估计 SS 不足 30-40% 导致大促爆款断货,旺季后积压占用 FBA 长期仓储费(月均 $0.15/立方英尺) - 数据要求:历史季节性需求 + 旺季 LT 数据 + 大促日历 - Gen-QOT 配置: - 按季节性 / 大促窗口条件化 Gen-QOT - 旺季前 6 周:$SS_{dynamic}$ 提升 40-70%(自适应) - 旺季后 4 周:$SS_{dynamic}$ 自动收缩 30% - 业务价值: - 旺季缺货

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

• 易处:Silver-Meal 扩展公式有解析解,简单部署
• 易处:GluonTS DeepAR / MQ-CNN 开源,工程化路径成熟
• 难处:Amazon 主论文未开源,Gen-QOT 完整深度模型需自行实现
• 难处:LT 历史数据质量要求高(PO 到货时间戳精确)
• 难处:QOT 拼箱拆批数据采集需要 ERP 系统对接

7. 代码模板

代码块数量：1 · 路径：未检测到

"""
Gen-QOT 提前期分布建模 + 动态安全库存最小骨架
论文 arXiv:2310.17168 (Amazon, 2024)
生产替换: GluonTS DeepAR / MQ-CNN 学习 LT 分布
依赖: pip install numpy scipy
"""
from __future__ import annotations
from typing import Dict, List

import numpy as np
from scipy import stats


def sample_lt_history(
    n: int = 365,
    base_days: int = 30,
    sigma_days: int = 7,
    congestion_prob: float = 0.1,
    congestion_extra: int = 15,
    seed: int = 42,
) -> np.ndarray:
    """模拟海运 LT 历史(生产替换为真实 PO 到货时序)
    - base_days/sigma_days: 正常 LT 分布
    - congestion_prob: 港口拥堵概率(10% 默认)
    - congestion_extra: 拥堵时额外延误天数
    """
    rng = np.random.default_rng(seed)
    normal = rng.normal(base_days, sigma_days, n)
    shocks = rng.choice([0, congestion_extra], size=n, p=[1 - congestion_prob, congestion_prob])
    return np.clip(normal + shocks, base_days - 10, base_days + 40).astype(int)


def fit_lt_distribution(lt_history: np.ndarray, context: Dict = None) -> Dict[float, float]:
    """Gen-QOT 风格:非参数经验分位数 LT 预测
    生产替换为 GluonTS DeepAR 或 MQ-CNN with context features
    """
    quantile_levels = [0.1, 0.5, 0.9, 0.95, 0.99]
    return {q: float(np.quantile(lt_history, q)) for q in quantile_levels}


def calc_safety_stock(
    demand_mean: float,
    demand_std: float,
    lt_quantiles: Dict[float, float],
    service_level: float = 0.95,
) -> Dict[str, float]:
    """三种安全库存计算:classic / dynamic / P99 buffer"""
    z = stats.norm.ppf(service_level)
    lt_mean = lt_quantiles[0.5]
    lt_std = (lt_quantiles[0.9] - lt_quantiles[0.1]) / 2.56

    ss_classic = z * demand_std * np.sqrt(lt_mean)

    sigma_ltd = np.sqrt(lt_mean * demand_std ** 2 + demand_mean ** 2 * lt_std ** 2)
    ss_dynamic = z * sigma_ltd

    ss_p99_buffer = demand_mean * (lt_quantiles[0.99] - lt_mean)

    return {
        "ss_classic": round(ss_classic, 0),

8. 论文来源

• 2310.17168