【全部更新完毕】2024长三角数学建模C题思路代码文章教学-汽后配件需求预测问题

文章摘要部分：
摘要

通过分析历史订单数据，预测汽后配件在特定时间内的需求量，这包括使用点预测和区间预测两种方法，其中点预测关注未来需求的确定性估计，而区间预测则处理需求的不确定性。挑战中包括处理数据间断性和不稳定性，我们不仅需要预测需求，还需优化数据处理策略，确保预测的准确性和实用性。

针对问题一，我们构建了两种方法来讨论仓库商品需求量的点预测。在对初始数据数据清洗后，我们对每个仓库每个商家每个商品的每天需求量进行加和，利用时间序列分析方法，分析数据的季节性和平稳性，并根据网格调参的思想选择适当的ARIMA模型参数。我们基于ARIMA时序预测模型对数据进行预测后，基于1-wMAPE和1-sMAPE指标评价历史回测期间的准确率。之后我们基于年份、月份、日期和星期几构造特征集，基于xgboost模型进行需求点预测。最后我们考虑重大节日、促销活动等可能发生等活动，提出季节性ARIMA模型作为模型改进的思考。

在问题二中，我们采用了指数平滑方法来预测2023年8月1日至8月15日各商家在本仓库的配件需求量，并计算了10%、30%、70%和90%的分位数预测值。指数平滑模型通过平滑系数来权衡历史数据的重要性。我们首先对数据进行了清洗和聚合处理，然后根据数据的趋势和季节性选择合适的指数平滑模型，如简单指数平滑、Holt线性趋势模型或Holt-Winters季节性模型。通过拟合模型并使用历史数据，我们预测了未来的需求分布，并计算了相应的分位数，从而得以提供对需求不确定性的量化估计。

在问题三中，我们通过对配件日需求量形成的时间序列进行详细的分类和分析，旨在更准确地预测不同类型的需求。通过从时间序列中提取关键统计和时间特征，包括平均值、标准差、偏度、峰度等统计特征；月份、周数、季节性因素等时间特征，基于过去的需求数据计算滞后特征和滚动窗口统计量。使用聚类算法将SKU分为几个类别，每个类别代表一种独特的需求模式。对每个类别我们可以考虑采用适合其特征的预测模型，如简单指数平滑、季节性ARIMA等，来提高预测的准确性。

关键词：ARIMA、时间序列分析、xgboost、季节性ARIMA模型、指数平滑、聚类分析、k-means、速度估算

目录

摘要

一、问题重述

1.1问题背景

1.2要解决的问题

二、问题分析

2.1任务一的分析

2.2任务二的分析

2.3任务三的分析

三、问题假设

四、模型原理

4.1ARIMA模型

4.2 xgboost模型

4.3 DBSCAN模型

4.4自行替换kmeans/简单指数平滑等的模型介绍

五、模型建立与求解

5.1问题一建模与求解

5.2问题二建模与求解

5.3问题三建模与求解

六、模型评价与推广

6.1模型的评价

6.1.1模型缺点

6.1.2模型缺点

6.2模型推广

七、参考文献

附录【自行删减】

二、问题分析

2.1任务一的分析

针对问题一，我们考虑建立了两种方法来预测仓库商品需求量。

首先，我们对原始数据进行了清洗，然后对每个仓库、每个商家和每个商品的每日需求量进行了汇总。我们采用时间序列分析方法，分析了数据的季节性和平稳性，并根据网格调参的原则选择了适当的ARIMA模型参数。基于ARIMA时序预测模型的结果，我们使用1-wMAPE和1-sMAPE指标评估了历史回测期间的准确性。

接着，我们构建了基于年份、月份、日期和星期几的特征集，利用xgboost模型进行需求点预测。

最后，我们考虑了重大节日、促销活动等可能影响需求的因素，并提出了季节性ARIMA模型作为模型改进的思路。

2.2任务二的分析

在问题二中，我们采用了指数平滑方法来预测2023年8月1日至8月15日各商家在本仓库的配件需求量。指数平滑模型特别适用于分析无明显趋势和季节性的时间序列数据，它通过平滑系数来权衡历史数据的重要性，使模型更加灵活地适应数据变化。在实际操作中，我们首先对数据进行了清洗，剔除了异常值和缺失数据，然后对数据进行了聚合处理，以确保分析的准确性和有效性。根据数据的特性，我们评估了不同的指数平滑模型，如简单指数平滑模型、Holt线性趋势模型以及Holt-Winters季节性模型，并选择了最适合当前数据集的模型。

通过选定的模型，我们对未来两周的配件需求进行了预测，并根据预测结果计算了10%、30%、70%和90%的分位数预测值。这些分位数帮助我们量化了需求的不确定性，为库存管理提供了有价值的参考。预测结果显示了各个分位数下的需求量，使得库存决策更具有针对性和前瞻性。通过这种方法，我们不仅可以预测未来的总需求，还能够根据不同概率水平准备相应的库存，极大地优化了供应链管理流程。这些预测对于理解市场动态、预防供应短缺或过剩具有重要意义，从而有效地降低了运营成本并提高了服务水平。

2.3任务三的分析

在问题三的处理中，首先对配件的日需求量数据进行了详细的预处理，包括清洗缺失和异常值，以及对数据进行聚合以形成每个SKU每日的需求总量。随后，通过统计分析方法从每个SKU的时间序列中提取了关键特征，包括平均需求量、需求波动的标准差、数据分布的偏度和峰度等。这些特征帮助我们捕捉每个时间序列的基本特性，如趋势、周期性和波动行为。

紧接着，应用聚类算法将SKU分组成几个不同的类别，每个类别代表了一种独特的需求模式。这种分类使我们能够为每个类别定制特定的预测模型，从而提高预测的精确性。例如，对于表现出强烈季节性变化的SKU类别，选择季节性ARIMA或Holt-Winters模型进行需求预测；而对于需求相对平稳的SKU类别，则可能使用简单指数平滑或移动平均模型。每个模型都经过了参数调优和交叉验证，以确保在实际应用中达到最佳预测效果。通过这种方法，我们不仅提高了需求预测的准确性，也为企业的库存管理和供应链决策提供了强有力的数据支持。

问题二：

问题三：