智能供应链：预测算法理论与实战

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。

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。

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

13.1　物流网络

13.1.1　行业背景

物流网络为供应链的高效运转起到了十分重要的作用。它主要关注物品从供应地向接收地流通的过程，提供快递、物流配送、物流仓储等服务，是电商、零售、民营快递等行业的重要组成部分。中国物流行业在近几年取得了长足的发展，物流运输能力不断提升，市场规模保持稳步扩大。物流网络中包括运输、分拣、仓储等多个环节，它们相互作用，支持面向终端客户的履约需求。

然而，物流行业发展至今仍未完全脱离传统物流模式，特别是在现代物流体系建设方面还有很多短板。整体来说，过去几年中国物流的发展仍主要依靠土地、人力等要素成本驱动，面对日益紧缺的土地资源、不断上升的人力成本，行业发展面临瓶颈。物流行业的一个主要突破口便是数字化和智能化，通过统一的数字化管理中心和智能管理工具，赋能传统物流的各个环节，使得物理世界中的物流基础设施在数字世界算法的加持下得以提升效率。其中，智能化包含一些以RFID、IoT为代表的“硬科技”，也同时包括预测、仿真、调度算法等数据科学“软科技”。

本章主要关注物流网络中的算法问题，包括长期线路及节点的规划、物流网络的动态预警、网点装车排班等场景，解决一系列在物流网络整体运营中的优化问题。以大促期间为例，成熟的物流系统会提前预知各区域、站点、线路的包裹量，根据此数据在各环节完成优化。例如，单一站点会对快递员、车辆等资源进行提前安排，在线路维度实时地进行预警以保证时效性，在仓库内对拣货和集单进行优化，通过实时算法决策建立自适应调节机制，为大促的顺利履约保驾护航。

13.1.2　预测思路

物流网络中的预测与前面章节中提到的供应链的需求预测有所不同，它主要关注物流某一环节的货量、单量等信息。在本章中，我们考虑比较常见、有代表性的线路和首末分拣货量预测问题。由于物流网络线路很多且关系繁杂，因此该问题的预测维度一般会考虑较粗维度（如首分拣—末分拣，Origin-Destination，简称OD），或者选择节点之间的干线货量。

1. 数据特征

物流网络中的货量数据与常见的供应链商品数据有较大的差别，因此我们需要着重分析以下几个常见特征，并设计相应的模型机制加以处理。

（1）干线或OD一般较稳定，新增预测维度情况较少：一般来说，货量预测所关注的线路或OD是比较稳定的。在成熟的物流网络中，我们一般可以获取较长时间的历史数据，查看长期历史数据的依赖关系。另外，OD的数量一般不会有很大的变化，这就意味着出现新增预测维度的情况较少，这与在消费品领域中经常出现的新品预测是十分不同的。稳定的预测维度数量可以使我们从历史时间序列中充分挖掘信息，得到与时间序列相关的模型参数。

（2）预测目标较多，一般不限于预测货量及单量：在物流网络中，预测模型一般不会关注实际的商品，但需要有多目标的结果输出，包括单量、货量、体积、重量等。在整体物流网络的优化中，预测会作为一个灯塔项目，使用统一的数据模型及处理模块生成未来多维度数据，以供不同优化模块使用。

（3）部分场景下预测的时间粒度较细，需要挖掘细时间维度下的特征：与供应链的商品补货场景不同，物流网络中的时间序列预测不仅包括天粒度的数据，还包括小时甚至分钟级别的预测数据。这就导致了历史数据往往很长，需要挖掘的信息隐藏在长时间周期的统计关联中。具体在数据中，模型需要建立相应的机制进行多效应的融合处理。

（4）时间序列集中呈现季节性和大促效应：各线路货量数据一般可呈现长周期性、多周期性叠加等复杂季节性，且在大促期间会有明显波动和上涨趋势。

2. 预测思路

回顾针对物流数据的预测案例，为了解决以上行业数据所展现的问题，基本思路有以下几方面的特点。

（1）采用时间序列维度的模型机制，处理季节性、大促效应等特征：由于网络中的时间序列比较稳定，且季节性、趋势性等特征及大促效应比较明显，因此在模型中需要设定相应的机制着重进行处理。此时不仅需要考虑一些全局变量，提取跨时间序列的特征，还需要将单个时间序列内部的特征分别提取出来，用于整体预测模型的建立。这也为我们将传统时间序列与机器学习或深度学习的结合提供了使用条件。

（2）扩大模型的特征提取区域，着重解决长序列中长时依赖问题：面对较细时间粒度的预测任务，在预测模型中不仅需要对短期特征进行刻画，同时还需要对长期存在的依赖关系进行充分挖掘。传统的时间序列预测模型主要关注短期影响，近年来提出的深度学习模型解决了部分长期存在的依赖关系的问题。

（3）增加多维度信息来刻画事件或时间序列信息：物流网络中的货量的影响因子较多，包括事件因素和网络自身信息，如分拣中心、地域信息等。此时我们需要对不同类型的信息在模型中予以编码，并将此类效应的编码值作为模型的一部分进行学习，从而较好地融入多维度的数据信息。

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。