赛道 C:汽后配件需求预测问题
根据以上信息,请你们建立数学模型完成以下问题:
问题 1 使用“历史配件订单表 ”中的数据,预测出各商家在本仓库的配件 2023 年 8 月 1 日至 2023 年 8 月 31 日的需求量,请将预测结果以表格的形式列
在正文中,并说明你们如何评价历史回测期间的准确率。
这里事实上需要将数据整理为按天的需求,然后根据2022 年 1 月 1 日至 2023 年 7 月 31 日的需求量来预测本仓库的配件 2023 年 8 月 1 日至 2023 年 8 月 31 日的需求量,时间序列预测没啥好说的,第一问可以用传统的时序模型进行预测或者采用构建滞后特征法进行机器学习回归,回测准确率可以用上文提到的预测准确率1-wmape 和 1-smape对历史数据进行拟合。
问题 2 使用“历史配件订单表 ”中的数据,对各商家在本仓库的配件 2023 年 8 月 1 日至 2023 年 8 月 15 日的需求量进行区间预测,分别给出 各配件在本仓 库 10%、30%和 70%、90%分位数的预测值,请将预测结果以表格的形式列在正文 中。请说明解决此问题时,给出了哪些基本假设。同时讨论你们如何评价历史回
测期间,各分位数预测的准确率。
这里有2种做法,第一种是构建N个模型(按不同配件构建不同的模型),分别预测对应配件在本仓库 10%、30%和 70%、90%分位数的预测值(可以通过N*4个模型进行预测,也可以直接预测原始值,然后划分10%、30%和 70%、90%)
第二种做法则是直接引用问题1的结果,对于每天,按历史每天各配件的平均比例来分配,
这2种谈不上谁更好谁更坏,现实生活中基本都是使用第二种,但是第一种比较炫技。
问题 3 使用“历史配件订单表 ”中的数据,根据数据分析及建模过程,这 些由配件日需求量形成的时间序列如何分类,研究每一类的特征,从而帮助你们进行更加精准的预测
这个是一个开放题,根据题目要求,需要先整理出各个配件日需求量,然后进行分类,研究每一类的特征,再从中研究如何提升预测的精准率。
这里优化是是问题2中的第一种方式,因为问题2中的第一种方式需要构建的模型数量太多了,因此可以先通过分类的方式,缩小N的数量。
完整解题可看B站:不知名数学家小P