智能供应链：预测算法理论与实战

本书主要介绍人工智能和供应链行业融合中通用化和实战化的预测算法，以及这些预测算法在业界实际应用的案例，旨在通过简单易懂的方式让读者了解供应链相关的应用场景。本书作者具有丰富的业界从业经验，在供应链预测算法方面拥有丰富的理论研究和项目经验，能够将基础模型、进阶模型和行业实践有机地融合，循序渐进地介绍供应链预测算法，使读者在学习过程中感到轻松、有趣，并能应用所学知识。

本书涵盖了智能供应链预测领域的算法理论模型和行业实践知识。本书首先从商品需求预测案例开始介绍预测的基本流程，然后深入讨论基础预测模型原理和复杂预测模型的设计策略，最后通过多个不同行业的预测实践案例来说明算法的应用场景。预测算法包括传统的时间序列、统计学习模型和机器学习、深度学习模型，通过不同类型算法的有效融合，为不同的应用场景提供坚实的算法基础。

庄晓天，美国亚利桑那州立大学博士，北京市人工智能高级工程师 ，北京理工大学、上海交通大学 、西安交通大学、北京交通大学、北京邮电大学、东南大学研究生校外导师，中国科学院大学MBA导师。曾在国际SCI期刊、会议发表20余篇论文 ，国家专利授权30余项。

曾获得中国物流与采购联合会科技创新人物奖，科技进步一、二、三等奖，邮政行业科技英才，邮政行业科学技术一、二、三等奖。多次在供应链、物流、人工智能、运筹优化等领域的行业峰会发表主题演讲，参与多个国家自然科学基金项目，省部级重点科技项目。研究成果得到CCTV2《经济半小时》专项报道。

本书将视角放在实战化、通用化的供应链算法上面，力求通过简单易懂的方式让读者入门供应链预测算法的实践或工作。本书的撰写人员均有国内外知名院校的硕博经历，具有丰富的业界经验，熟悉从入门到熟练的过程，在供应链预测算法方面有着深入的理论研究和项目经历。

本书主要涉及智能供应链预测领域的算法理论模型与行业实践知识。先从一个商品的需求预测讲起，介绍预测的大体流程，再深入基础的预测模型以及复杂的预测模型策略，诠释预测所需的算法模型工具，最后阐述了多个不同行业的预测实践案例，讲明算法理论的应用场景。其中预测算法囊括了传统的时间序列、统计学习模型和机器学习、深度学习模型，以及不同类型算法的有效融合，为不同的应用场景提供夯实的算法基础。本书既讲解理论知识，又介绍实践案例，深入浅出，使每个读者都能够了解和应用预测算法模型。

前言

我为什么要写这本书

2012年，我博士毕业，从美国裸归，开始了职业生涯之旅。彼时的国内互联网方兴未艾，热闹纷繁，大众创业，万众创新，似乎每一天都有新的商业模式在兴起，都有新的互联网公司在诞生，都有新的传奇故事在演绎。对于那时的我来说，算是站在了学生时代的顶峰，对北京，对职场，对未来，有着无限的描绘和憧憬，感觉属于自己的时代终于要来了。但如同电影里的经典桥段一样，现实中的职场客观、理性，甚至冰冷、残酷，不相信眼泪，给那时缺乏认知、缺乏经验、更缺乏心理准备的我当头一棒。心心念念的光鲜职场与改变世界，变成了跑腿打杂与纸上谈兵，理论与实践的严重脱节，导致我一度陷入了迷茫。几经辗转，历经磨难，我才误打误撞地走进了供应链行业，从一个初级算法科学家开始，一步步地打开了自己的世界。

作为一个新入行的毕业生，我内心的感觉是复杂的。一方面希望有存在感，喜欢将学校里最复杂的、行业里最炫酷的算法模型摆出来，体现自己的价值；另一方面又是忐忑不安的，不熟悉业务场景，不了解项目落地，不知道如何从业务、数据、算法的整体去思考，缺乏从理论到实践的“套路”。那时的我买了很多书，要么是纯理论的，类似大学里的教材，要么是纯业务的，好像什么都说了，又好像什么都没说。那时的我就在想，要是能有一本“懂我”的书该有多好，就像那本《演员的自我修养》一样，白天带在身上，翻开就能找到答案，夜里放在枕下，带给自己精神力量。确实，在那个职业生涯“小白时期”的我，太需要一本能给自己安全感和自信心的书了。

之后的十多年里，在经历了国企、民企、外企的近百次面试，经历了IBM、亚马逊、唯品会、京东的近百个项目，我才逐渐修炼出一些实用的“内功心法”，并且都写在了我的一个手账本上，里面记录的都是最干的干货，包括如何应对面试、如何落地项目、如何提升自我。我很清楚从小白到老兵的心路历程，能感同身受地理解“新手”到底需要什么。之所以想把这些写成本书，就是想为那些即将毕业的同学，为那些刚刚踏入行业的新人，分享这些带着温度与汗水的经验，希望读者能够一路坦途，尽早成为那个更优秀的自己。

这本书能带给你什么

本书是我的智能供应链系列图书的开端，主要围绕智能供应链的预测展开。预测对于我们来说，是什么？就是一直苦苦追寻，但又求而不得的事情。就像人生一样，每个人都希望努力当下，着眼未来，但谁也没有办法准确地预见未来。供应链行业的预测也一样，是整个链条的源头，也是行业内大家最关心的事情。也许很多人不懂数据，很多人不懂算法，但只要提起预测，谁都能跟你讲几句。我希望通过本书，让即将或者刚刚入行的你，快速成为预测领域的半个专家。

在本书的构思设计中，我和伙伴们努力将内容简化，注重实战应用，希望能够将读者快速拉进实际工作的硝烟战火中。我们从一个商品的预测讲起，介绍预测的工作流程，再深入基础算法模型、复杂算法策略，诠释预测所需的模型工具，最后列举多个行业的实践案例，阐明算法理论的应用场景。之所以将算法策略与行业实践进行有机的融合，就是想让读者更有代入感，看得有意思、学得有信心、用得有底气。

在本书的编写过程中，我深知自己的认知和能力有限，很难涵盖供应链领域与算法理论结合的所有知识点，书中内容也难免存在一些错误和纰漏。我诚挚地期望广大读者能支持和喜欢这本书，更期待读者的宝贵意见和建议，让我们共同推动这个领域的发展。

致谢

记得上一次写致谢，还是十几年前在我的博士论文里，在烈日炎炎的菲尼克斯，在那个孤独安静的出租屋。真没想到日子会过得这么快，弹指一挥间，转眼已十年。请宽恕我的词穷，允许我说那句土话：时光荏苒，岁月如梭。十几年的光阴，可以让一个意气风发的年轻人，变成一个谨慎内敛的中年人；让一个相信技术改变世界的博士，变成一个更愿意顺势而为的打工人。虽然我博士论文的研究方向是基于不确定性的优化，但其实骨子里我是一个特别不喜欢变化的人。相比于对变化的好奇，我更喜欢对确定的坚守；相比于对“新”的追求，我更喜欢对“旧”的长情。可这一路光阴下来，伴随着时代的潮起潮落，环境的辗转腾挪，身边能始终不变的“确定”，实在是太稀有了。唯有我的家人，为我扬帆，等我归航，十几年相伴，从未离开。

感谢我的父母，在我这十几年的风风雨雨中，始终坚定地站在我的身后。无论是2007年的大连暴雪，还是2012年的北京大雨；无论是留学申请的屡败屡战，还是回国工作的四处碰壁，你们都一直坚定地相信我的判断，相信我的选择。十几年一路飘摇，蓦然回头，却发现你们已经两鬓银丝，日渐消瘦。虽然今天的我，已经成长为大人眼中那个“别人家的孩子”，但有的时候我仍然希望一觉醒来，爸爸还在厨房里准备早饭，妈妈还拎着抹布在家里擦拭；一切还都是原来的样子，你们还都年轻；时间可以慢慢地流淌，我可以慢慢地长大；我对你们的爱，还可以重来一遍。

感谢我的太太，在我还默默无闻的时候，就选择义无反顾地相信我，跟着我。没有婚礼，没有豪宅，没有浪漫，你一直在用最美好的年华，为我的梦加油。陪我穿越冬夏，走过漫长的季节，陪我跨越南北，走过最长的旅途，陪我熬过长夜，走过至暗的时刻。一路下来，你是那么的安静、温暖与宽容，像照顾孩子一样在陪伴我成长，关注着我的需求、我的情绪、我的梦想，默默地把你的一切都排在了后面。也许真的是心有灵犀，就在我写这段文字的时候，你给我发来消息说，今年是你来北京的第十年，希望第二个十年我还会陪着你。我想说，人生其实不止如初见，下一个十年，都有我的陪伴，下一程风雨，都由我来遮挡，爱你如初，从未改变。

感谢我的儿子，你是我写过最美的情书，也是我一生最珍贵的礼物。从你睁开双眼，我们认识的那天起，我的人生仿佛重启了一般，交织着幸福与责任，也随之改变了轨迹。感谢你的到来，你身上透出的坚强与笃定，内心深藏的柔软和细腻，眼里泛出的纯真与善良，满足了我对完美孩子的所有想象。我希望能够在这个世上活很久，和妈妈一起，陪你看看这个复杂而又美好的世界；希望能将我所有的经历，所有的人生感悟，都讲给你听；希望日子能一直如此刻般美好，平平淡淡，安静温暖。我陪你长大，你陪我变老，你是我一生的软肋，更是我毕生的铠甲。

开 篇
第 1 章 从一个SKU的需求预测开始
1．1 智能供应链与需求预测
1．2 一个SKU的销量预测
1．2．1 数据预处理
1．2．2 探索性分析与特征工程
1．2．3 预测实践
1．2．4 总结
1．3 智能供应链全景概览
1．3．1 企业供应链智能决策六阶理论
1．3．2 智能供应链算法全景
基础模型篇
第 2 章 时间序列模型
2．1 指数平滑模型
2．1．1 简单移动平均
2．1．2 加权移动平均
2．1．3 简单指数平滑
2．1．4 指数平滑拓展模型
2．1．5 知识拓展
2．2 ARIMA
2．2．1 模型相关基础概念
2．2．2 差分自回归移动平均模型
2．2．3 条件异方差模型
2．3 Croston模型及其变体
第 3 章 线性回归模型
3．1 简单线性回归模型
3．1．1 基本概念介绍
3．1．2 很优参数求解
3．1．3 线性回归拟合优度
3．1．4 线性回归基本假定
3．2 正则化相关的回归
3．2．1 正则化
3．2．2 套索（Lasso）回归
3．2．3 岭（Ridge）回归
3．2．4 弹性网络（ElasticNet）回归
3．3 分位数回归
第 4 章 机器学习模型
4．1 决策树模型
4．1．1 模型介绍
4．1．2 特征选择
4．1．3 决策树剪枝
4．1．4 构建决策树
4．2 Logistic回归模型
4．2．1 模型介绍
4．2．2 Logistic回归模型原理
4．3 XGBoost相关模型
4．3．1 AdaBoost模型
4．3．2 GBDT模型
4．3．3 XGBoost模型
4．4 LightGBM模型
4．4．1 模型介绍
4．4．2 模型原理
4．5 随机森林
4．5．1 模型介绍
4．5．2 模型原理
第 5 章 神经网络模型
5．1 神经网络基础
5．1．1 感知机与S型神经元
5．1．2 神经网络框架
5．1．3 神经网络训练的基本概念
5．2 深度神经网络
5．2．1 模型结构
5．2．2 模型训练
5．2．3 模型优化
5．3 循环神经网络
5．3．1 循环神经网络基础知识
5．3．2 LSTM
5．3．3 GRU
5．4 神经网络扩展
5．4．1 CNN
5．4．2 其他扩展
进阶模型篇
第 6 章 高阶统计模型
6．1 Theta模型
6．1．1 Theta线与Theta分解
6．1．2 分解时间序列预测方法
6．1．3 Theta模型的预测流程
6．2 TBATS模型
6．2．1 Box-Cox变换
6．2．2 ARMA误差建模
6．2．3 BATS模型
6．2．4 TBATS模型建模思路
6．3 Bootstrap和Bagging
6．3．1 时间序列数据的Bootstrap方法
6．3．2 时间序列模型的Bagging预测方法
6．4 Prophet模型
6．4．1 趋势项
6．4．2 季节项
6．4．3 节假日及事件项
6．4．4 模型训练
第 7 章 深度学习模型
7．1 CNN类深度网络
7．1．1 1D-CNN
7．1．2 WaveNet
7．2 RNN类深度网络
7．2．1 ESN
7．2．2 TPA-LSTM
7．2．3 DeepAR模型
7．2．4 LSTNet模型
7．2．5 ES-RNN模型
7．3 Transformer模型
7．3．1 位置编码
7．3．2 编码器结构
7．3．3 注意力机制
7．3．4 层归一化与前馈神经网络
7．3．5 解码器结构
7．3．6 输出结构
7．4 N-beats模型
7．5 Neural-Prophet模型
7．6 Informer模型
7．6．1 编码层
7．6．2 Prob-Sparse Self-attention
7．6．3 Self-attention Distilling
7．6．4 输出结构
第 8 章 集成模型
8．1 基础策略
8．2 WEOS
8．2．1 时间序列分类
8．2．2 确定模型池
8．2．3 滚动回测
8．2．4 模型选择与权重确定
8．2．5 最终预测
8．3 FFORMA模型
8．3．1 模型框架
8．3．2 算法细节
第 9 章 其他模型策略
9．1 间断性需求预测
9．1．1 什么是间断性需求
9．1．2 间断性需求预测方法
9．2 不确定预测
9．3 迁移学习预测
行业实践篇
第 10 章 制造业
10．1 备件需求预测
10．1．1 数据特征
10．1．2 预测思路
10．1．3 实践案例
10．2 产品需求预测
10．2．1 数据特征
10．2．2 预测思路
10．2．3 实践案例
10．3 预测性维护
10．3．1 数据特征
10．3．2 预测思路
第 11 章 电商零售
11．1 常规预测
11．1．1 数据处理
11．1．2 预测思路
11．1．3 实践案例
11．2 促销预测
11．2．1 数据特征
11．2．2 预测思路
11．2．3 实践案例
11．3 新品预测
11．3．1 数据收集与分析
11．3．2 预测思路
第 12 章 线下零售
12．1 大型商超
12．1．1 行业背景
12．1．2 数据特征
12．1．3 预测思路
12．1．4 实践案例
12．2 服装行业
12．2．1 行业背景
12．2．2 数据特征
12．2．3 预测思路
12．3 家具行业
12．3．1 行业背景
12．3．2 数据特征
12．3．3 预测思路
第 13 章 物流行业
13．1 物流网络
13．1．1 行业背景
13．1．2 预测思路
13．1．3 预测案例
13．2 最后一公里
13．2．1 背景
13．2．2 数据特征
13．2．3 预测模型
13．2．4 实践案例
结语
第 14 章 算法工程师的日常
14．1 算法工程师的一天
14．1．1 代码编写
14．1．2 需求沟通
14．1．3 事务性工作
14．1．4 阅读论文/代码
14．2 从我想当算法工程师开始
14．2．1 我需要具备什么能力
14．2．2 进阶和突破瓶颈的思路
14．3 供应链预测算法的未来