智能供應鏈：預測算法理論與實戰

本書主要介紹人工智能和供應鏈行業融合中通用化和實戰化的預測算法，以及這些預測算法在業界實際應用的案例，旨在通過簡單易懂的方式讓讀者瞭解供應鏈相關的應用場景。本書作者具有豐富的業界從業經驗，在供應鏈預測算法方面擁有豐富的理論研究和項目經驗，能夠將基礎模型、進階模型和行業實踐有機地融合，循序漸進地介紹供應鏈預測算法，使讀者在學習過程中感到輕松、有趣，並能應用所學知識。本書涵蓋了智能供應鏈預測領域的算法理論模型和行業實踐知識。本書首先從商品需求預測案例開始介紹預測的基本流程，然後深入討論基礎預測模型原理和復雜預測模型的設計策略，最後通過多個不同行業的預測實踐案例來說明算法的應用場景。預測算法包括傳統的時間序列、統計學習模型和機器學習、深度學習模型，通過不同類型算法的有效融合，為不同的應用場景提供堅實的算法基礎。本書適合以下三類讀者閱讀：?第一類是供應鏈數字化領域的算法工程師，想要深入瞭解預測算法模型的讀者。?第二類是供應鏈管理師，有志從事該職業或希望培養和提升供應鏈預測能力的讀者。?第三類是高校物流管理、管理科學等相關專業的學生。

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，国家邮政局邮政行业科技英才，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。

開　　篇
第1章　從一個SKU的需求預測開始
1.1　智能供應鏈與需求預測
1.2　一個SKU的銷量預測
1.2.1　數據預處理
1.2.2　探索性分析與特徵工程
1.2.3　預測實踐
1.2.4　總結
1.3　智能供應鏈全景概覽
1.3.1　企業供應鏈智能決策六階理論
1.3.2　智能供應鏈算法全景
基礎模型篇
第2章　時間序列模型
2.1　指數平滑模型
2.1.1　簡單移動平均
2.1.2　加權移動平均
2.1.3　簡單指數平滑
2.1.4　指數平滑拓展模型
2.1.5　知識拓展
2.2　ARIMA
2.2.1　模型相關基礎概念
2.2.2　差分自回歸移動平均模型
2.2.3　條件異方差模型
2.3　Croston模型及其變體
第3章　線性回歸模型
3.1　簡單線性回歸模型
3.1.1　基本概念介紹
3.1.2　最優參數求解
3.1.3　線性回歸擬合優度
3.1.4　線性回歸基本假定
3.2　正則化相關的回歸
3.2.1　正則化
3.2.2　套索（Lasso）回歸
3.2.3　嶺（Ridge）回歸
3.2.4　彈性網絡（ElasticNet）回歸
3.3　分位數回歸
第4章　機器學習模型
4.1　決策樹模型
4.1.1　模型介紹
4.1.2　特徵選擇
4.1.3　決策樹剪枝
4.1.4　構建決策樹
4.2　Logistic回歸模型
4.2.1　模型介紹
4.2.2　Logistic回歸模型原理
4.3　XGBoost相關模型
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　模型介紹
4.4.2　模型原理
4.5　隨機森林
4.5.1　模型介紹
4.5.2　模型原理
第5章　神經網絡模型
5.1　神經網絡基礎
5.1.1　感知機與S型神經元
5.1.2　神經網絡框架
5.1.3　神經網絡訓練的基本概念
5.2　深度神經網絡
5.2.1　模型結構
5.2.2　模型訓練
5.2.3　模型優化
5.3　循環神經網絡
5.3.1　循環神經網絡基礎知識
5.3.2　LSTM
5.3.3　GRU
5.4　神經網絡擴展
5.4.1　CNN
5.4.2　其他擴展
進階模型篇
第6章　高階統計模型
6.1　Theta模型
6.1.1　Theta線與Theta分解
6.1.2　分解時間序列預測方法
6.1.3　Theta模型的預測流程
6.2　TBATS模型
6.2.1　Box-Cox變換
6.2.2　ARMA誤差建模
6.2.3　BATS模型
6.2.4　TBATS模型建模思路
6.3　Bootstrap和Bagging
6.3.1　時間序列數據的Bootstrap方法
6.3.2　時間序列模型的Bagging預測方法
6.4　Prophet模型
6.4.1　趨勢項
6.4.2　季節項
6.4.3　節假日及事件項
6.4.4　模型訓練
第7章　深度學習模型
7.1　CNN類深度網絡
7.1.1　1D-CNN
7.1.2　WaveNet
7.2　RNN類深度網絡
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　位置編碼
7.3.2　編碼器結構
7.3.3　註意力機制
7.3.4　層歸一化與前饋神經網絡
7.3.5　解碼器結構
7.3.6　輸出結構
7.4　N-beats模型
7.5　Neural-Prophet模型
7.6　Informer模型
7.6.1　編碼層
7.6.2　Prob-Sparse Self-attention
7.6.3　Self-attention Distilling
7.6.4　輸出結構
第8章　集成模型
8.1　基礎策略
8.2　WEOS
8.2.1　時間序列分類
8.2.2　確定模型池
8.2.3　滾動回測
8.2.4　模型選擇與權重確定
8.2.5　最終預測
8.3　FFORMA模型
8.3.1　模型框架
8.3.2　算法細節
第9章　其他模型策略
9.1　間斷性需求預測
9.1.1　什麽是間斷性需求
9.1.2　間斷性需求預測方法
9.2　不確定預測
9.3　遷移學習預測
行業實踐篇
第10章　製造業
10.1　備件需求預測
10.1.1　數據特徵
10.1.2　預測思路
10.1.3　實踐案例
10.2　產品需求預測
10.2.1　數據特徵
10.2.2　預測思路
10.2.3　實踐案例
10.3　預測性維護
10.3.1　數據特徵
10.3.2　預測思路
第11章　電商零售
11.1　常規預測
11.1.1　數據處理
11.1.2　預測思路
11.1.3　實踐案例
11.2　促銷預測
11.2.1　數據特徵
11.2.2　預測思路
11.2.3　實踐案例
11.3　新品預測
11.3.1　數據收集與分析
11.3.2　預測思路
第12章　線下零售
12.1　大型商超
12.1.1　行業背景
12.1.2　數據特徵
12.1.3　預測思路
12.1.4　實踐案例
12.2　服裝行業
12.2.1　行業背景
12.2.2　數據特徵
12.2.3　預測思路
12.3　傢具行業
12.3.1　行業背景
12.3.2　數據特徵
12.3.3　預測思路
第13章　物流行業
13.1　物流網絡
13.1.1　行業背景
13.1.2　預測思路
13.1.3　預測案例
13.2　最後一公里
13.2.1　背景
13.2.2　數據特徵
13.2.3　預測模型
13.2.4　實踐案例
結語
第14章　算法工程師的日常
14.1　算法工程師的一天
14.1.1　代碼編寫
14.1.2　需求溝通
14.1.3　事務性工作
14.1.4　閱讀論文/代碼
14.2　從我想當算法工程師開始
14.2.1　我需要具備什麽能力
14.2.2　進階和突破瓶頸的思路
14.3　供應鏈預測算法的未來