Time Series Forecasting (时间序列预测)

1. 解决的问题

基于历史销售数据，预测未来一段时间的需求量，从而指导备货、定价和供应链决策。

2. 核心算法逻辑

时间序列预测解决的核心问题是：基于历史销售数据，预测未来一段时间的需求量，从而指导备货、定价和供应链决策。与简单外推不同， modern 时间序列模型能捕捉季节性、趋势、节假日效应和外部变量（促销、竞品）的影响。

3. 业务应用场景

业务问题： 母婴出海电商需要预测未来 4 周的销量，以指导海外仓补货。传统方法是基于移动平均或简单指数平滑，但无法捕捉： - 周期性：周末销量通常高于工作日 - 季节性：奶粉、尿裤在大促季（618、双11、黑五）销量激增 - 趋势：新品牌上线后有爬坡期

数据要求： - 历史销量：至少 2 年的日/周销量数据 - 节假日：春节、618、双11、黑五、圣诞节 - 促销标记：是否有活动、活动力度 - 外部变量：竞品价格、搜索指数

预期产出： - 未来 4 周销量预测（点预测 + 置信区间） - 预测误差评估（MAPE、RMSE） - 关键影响因子贡献度

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

• 数据要求：需要至少 2 年的历史销量数据
• 技术门槛：中等，Prophet 较简单，深度学习需要更多资源
• 工程复杂度：中等，需要定时跑批
• 维护成本：中等，需要定期重新训练
• 业务价值极高：预测是所有决策的基础
• 见效快：1-2 周可完成 POC

7. 代码模板

代码块数量：1 · 路径：未检测到

"""
Time Series Forecasting
用于母婴出海电商销量预测
"""

import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_absolute_error, mean_squared_error
import warnings
warnings.filterwarnings('ignore')

# 尝试导入可选依赖
try:
    from statsmodels.tsa.holtwinters import ExponentialSmoothing
    HAS_STATSMODELS = True
except ImportError:
    HAS_STATSMODELS = False

try:
    from prophet import Prophet
    HAS_PROPHET = True
except ImportError:
    HAS_PROPHET = False


class DemandForecaster:
    """需求预测器"""

    def __init__(self, model_type='simple'):
        """
        初始化预测器

        Args:
            model_type: 'simple', 'exponential_smoothing', 'prophet', 'lstm'
        """
        self.model_type = model_type
        self.model = None
        self.scaler = MinMaxScaler()
        self.is_fitted = False

    def fit(self, dates, values):
        """
        训练模型

        Args:
            dates: 日期序列
            values: 销量序列
        """
        if self.model_type == 'simple':
            self._fit_simple(values)
        elif self.model_type == 'exponential_smoothing':
            self._fit_exponential_smoothing(dates, values)
        elif self.model_type == 'prophet':
            self._fit_prophet(dates, values)
        elif self.model_type == 'lstm':
            self._fit_lstm(values)

        self.is_fitted = True
        return self

8. 论文来源

未自动抽取；请查看原始 Skill 卡片。