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。本书适合以下三类读者阅读：第一类是供应链数字化领域的算法工程师，想要深入了解预测算法模型的读者。第二类是供应链管理师，有志从事该职业或希望培养和提升供应链预测能力的读者。第三类是高校物流管理、管理科学等相关专业的学生。

　　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。

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　最优参数求解
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