摘要
需求预测是企业供应链管理的基础，本文针对产品订单数据进行深入分析，并建立数学模型预测未来需求量。首先对数据进行预处理，包括缺失值和重复值的处理，以及使用BGCP算法修正异常样本。接着，从产品价格、区域、销售方式、品类、节假日、促销、季节等多个因素分析其对产品订单需求量的影响。研究发现，产品价格在600∼800时需求量最大，不同区域产品需求量存在显著差异，线下订单需求量总和高于线上，406、410、411类产品需求量分布较为集中。此外，节假日和促销活动对产品需求量有一定影响，但整体需求量呈下降趋势。最后，针对不同时间粒度（天、周、月），分别使用CRU、DeepAR、Prophet模型进行需求预测，并分析不同时间粒度对预测精度的影响。结果表明，CRU模型在以天为时间粒度上表现最优，DeepAR模型在以周为时间粒度上表现最优，Prophet模型在以月为时间粒度上表现最优。
问题分析
问题一：对产品销售数据进行深入分析，包括产品价格、区域、销售方式、品类、节假日、促销、季节等因素对产品订单需求量的影响。
问题二：建立数学模型，分别按天、周、月时间粒度，预测部分产品未来3个月需求量，并分析不同预测粒度对预测精度有何影响。
数据预处理
- 缺失与重复样本处理：删除重复样本。
- 异常样本分析：使用隔离森林算法与四分位法确定异常样本。
- BGCP修正异常样本：使用BGCP算法修正异常样本。
销售数据分析
- 产品价格与需求量分析：产品价格在600∼800时需求量最大，不同产品价格与需求量间关系存在差异。
- 产品区域与需求量分析：不同区域产品需求量存在显著差异，101、102、105区域需求量整体偏高。
- 销售方式与需求量分析：线下订单需求量总和高于线上，线上订单需求量中位数比线下高。
- 各类产品需求量特性：406、410、411类产品需求量分布较为集中，402、403、404类产品需求量中位数高，401、408、409需求量分布均匀。
- 各时段产品需求量特性：月头需求量较少，月末需求量最大，节假日平均需求量比非节假日高。
- 节假日产品需求量分析：元旦节平均需求量最大，中秋节平均需求量最小。
- 促销与产品需求量分析：非促销时期的平均需求量高于618以及双11促销时的需求量，说明促销活动对于该产品的销售影响较少。
- 各季节产品需求量分析：秋季产品需求量最大，夏季产品需求量最小，呈现明显季节趋势。
需求预测
- 特征工程：增加时间、节假日、促销、滞后等15个特征，并使用MMIFS算法进行特征选择。
- 日订单需求量预测：使用CRU模型进行预测，CRU模型表现最优。
- 周订单需求量预测：使用DeepAR模型进行预测，DeepAR模型表现最优。
- 月订单需求量预测：使用Prophet模型进行预测，Prophet模型表现最优。
- 各时间粒度预测分析：CRU模型在天时间粒度上表现较好，DeepAR模型在以周为时间粒度上表现最优，Prophet模型在以月为时间粒度上表现最优。
模型评价
模型优点：构建特征工程，使用MMIFS方法选取特征，针对不同时间粒度选择不同建模方法，使用滚动时间交叉验证评估模型，使用TPE算法调参。
模型改进：样本数量较少，希望后续获得完整数据进一步提高模型精度，希望获得温度、湿度等天气特征，可以进一步提高模型稳健性。
