Supply Chain ML Feature Engineering — 供应链 ML 特征工程：时序+图+统计三维

1. 解决的问题

1. 稀疏性：长尾 SKU 历史销量不足（< 30 天），传统特征工程无法直接应用

2. 核心算法逻辑

供应链数据的特殊性

3. 业务应用场景

业务背景：预测 SKU 未来 14 天补货需求量，特征工程决定模型上限。

效果：加入供应链特征后，RMSE 从 23.5 降至 19.2（提升 18%）。

业务背景：构建供应商风险评分，输入 SCM Attribution 模型识别高风险供应商。

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

• 跨域：Skill-Inventory-Health-Aging-Attribution

7. 代码模板

代码块数量：4 · 路径：paper2skills-code/supply_chain/supply_chain_ml_features

"""
Supply Chain ML Feature Engineering — 供应链 ML 特征工程
Python 标准库实现，无 sklearn/pandas 依赖，Python 3.14 兼容
"""
from __future__ import annotations
from dataclasses import dataclass, field
from typing import Optional
import math
import statistics


# ─────────────────────────────────────────────
# 数据结构
# ─────────────────────────────────────────────

@dataclass
class SupplyChainRecord:
    """供应链时序记录（单 SKU 单天）"""
    sku_id: str
    timestamp: float          # Unix timestamp（天级别，取当天 00:00 的 ts）
    demand: float             # 当日需求量（件数）
    lead_time: float          # 供应商交货期（天）
    is_promotion: bool = False  # 是否为促销日
    supplier_id: str = ""     # 供应商ID
    category: str = ""        # 品类


# ─────────────────────────────────────────────
# 时序特征构建器
# ─────────────────────────────────────────────

class TemporalFeatureBuilder:
    """
    时序特征构建器：滞后特征、滚动统计、季节分解。
    严格无数据泄露：t 时刻特征只使用 t-1 及以前的数据。
    """

    def __init__(self, lag_windows: list[int] = None, roll_windows: list[int] = None):
        """
        Args:
            lag_windows: 滞后步数列表，如 [7, 14, 28]
            roll_windows: 滚动窗口大小列表，如 [7, 14, 30]
        """
        self.lag_windows = lag_windows or [7, 14, 28]
        self.roll_windows = roll_windows or [7, 14, 30]

    def build(self, records: list[SupplyChainRecord]) -> list[dict]:
        """
        为每条记录构建时序特征（使用严格的历史窗口，避免未来信息）。

        Returns:
            list of feature dicts，与 records 等长
        """
        # 按 sku_id 分组后按时间排序
        sku_records: dict[str, list[SupplyChainRecord]] = {}
        for r in records:
            sku_records.setdefault(r.sku_id, []).append(r)
        for sku in sku_records:
            sku_records[sku].sort(key=lambda x: x.timestamp)

8. 论文来源

未自动抽取；请查看原始 Skill 卡片。