1. 项目概述与核心价值最近刚带着团队做完2024年长三角高校数学建模竞赛C题的辅导这道“汽后配件需求预测”的题目可以说是把时间序列预测、机器学习以及业务理解这几个坑都踩了一遍。题目给的是某汽后配件公司连续四年的日度需求数据要求预测未来一段时间内各个配件的需求量。这活儿听起来像是经典的销量预测但真上手才发现里头门道不少数据有明显的季节性波动还有节假日、促销活动这些外部因素的干扰单纯套个ARIMA或者LSTM模型结果肯定好不了。这道题的价值远不止是拿个奖。它本质上是一个高度贴近工业界真实场景的预测问题。在汽车后市场配件需求的准确预测直接关系到库存周转率、资金占用和客户满意度。预测高了库存积压现金流紧张预测低了缺货导致客户流失甚至影响维修厂的正常运营。所以做好这个预测需要的是一个融合了统计方法、机器学习技术和业务洞察的系统性解决方案。接下来我就把我们在解题过程中形成的完整思路、核心代码Matlab和Python双版本以及那些容易踩坑的细节毫无保留地拆解一遍。无论你是参赛学生还是对预测算法感兴趣的从业者这份实战记录应该都能给你带来直接的参考。2. 解题核心思路与整体设计面对一个时间序列预测问题尤其是带有明显业务背景的赛题最忌讳的就是拿到数据直接跑模型。我们的整体思路遵循一个从“理解数据”到“模型融合”的递进式 pipeline。2.1 问题拆解与建模目标定义首先我们必须明确题目到底要我们干什么。题目提供了多个配件SKU的历史日需求数据要求预测未来一段时间例如接下来30天的日需求量。这本质上是一个多变量时间序列预测问题。但“多变量”在这里有两层含义多个时间序列我们需要同时对多个独立配件的需求序列进行预测。虽然配件之间可能存在弱关联例如刹车片和刹车盘的更换有时会同步但题目通常默认或暗示它们相互独立这简化了问题允许我们采用“单变量模型批量处理”的策略。单序列多特征对于每一个配件的需求序列我们不仅要利用其自身的历史值还要考虑可能影响它的外部特征如星期几、是否节假日、月份、是否有促销活动等。这要求我们的模型能够融入这些特征。因此建模的最终目标是为每个配件构建一个能够利用其历史需求数据和已知的未来外部特征信息来预测未来每日需求量的模型。2.2 技术路线选型与对比确定了目标接下来就是选择技术路线。我们评估了三种主流方向并最终形成了一个融合方案。方案一经典统计时间序列模型如 ARIMA, SARIMA核心思想认为序列的未来值是其过去值和过去误差的线性组合。SARIMA 特别考虑了季节性。优点理论成熟可解释性强对于线性、稳定的序列效果很好。Matlab 的arima和regARIMA工具箱Python 的statsmodels库都能方便实现。缺点对数据平稳性要求高需要人工进行差分、季节差分等预处理。处理外部特征协变量相对麻烦需用regARIMA且难以捕捉复杂的非线性关系。对于多个序列需要分别建模自动化批量处理有一定工作量。我们的判断适合作为基线模型Baseline用于快速验证和捕捉序列的主要线性趋势与季节规律。方案二机器学习回归模型如 XGBoost, LightGBM核心思想将时间序列预测转化为监督学习问题。通过构建特征如滞后特征lag1,lag7,lag30滚动统计特征rolling_mean_7以及外部特征用树模型进行回归预测。优点能够非常方便地融入大量外部特征对非线性关系捕捉能力强模型训练速度快。XGBoost/LightGBM 自带正则化抗过拟合能力较好。缺点模型本质上是“静态”的它学习的是特征与目标值之间的映射关系对纯粹的时间依赖关系尤其是长期依赖的建模能力弱于序列模型。特征工程的质量极大影响结果。我们的判断非常适合处理含有丰富外部特征的时间序列预测问题在本赛题中潜力巨大。方案三深度学习序列模型如 LSTM, GRU, Transformer核心思想利用循环神经网络RNN或注意力机制显式地建模序列中长距离的时序依赖关系。优点能够自动学习复杂的时序模式理论上建模能力最强。对于波动大、模式复杂的序列可能表现出色。缺点需要大量的数据训练时间长超参数调优复杂模型可解释性差容易过拟合。对于本赛题4年的日数据约1460个点数据量对于深度模型来说并不算非常充裕。我们的判断可以作为进阶尝试但不应作为首选。在有限的时间和算力下其稳定性可能不如前两者。我们的最终融合策略第一层基线模型。使用SARIMA为每个序列建立一个基准它的结果代表了“纯时序”的预测能力。第二层主力模型。使用LightGBM进行建模。我们会精心构建三类特征时序滞后特征、滚动窗口统计特征、外部日历特征。这是我们的核心预测引擎。第三层模型融合。将 SARIMA 的预测结果和 LightGBM 的预测结果进行加权平均如 0.2 * SARIMA 0.8 * LightGBM或者将 SARIMA 的预测值也作为一个特征输入给 LightGBM 进行二次训练。融合可以平滑单一模型的误差提升鲁棒性。第四层后处理。根据业务常识进行修正例如预测值不应为负数对于某些配件可能存在最小包装量如预测12.3个但实际按整盒13个销售需要进行取整处理。这个策略兼顾了可解释性、强大特征处理能力和稳定性在实际比赛中被证明是有效的。3. 数据预处理与特征工程详解数据和特征决定了模型性能的上限。这一步至关重要且包含大量细节。3.1 数据清洗与探索性分析EDA拿到数据后第一件事不是跑代码而是用眼睛看。缺失值处理检查是否有缺失的日期或需求值。对于个别缺失可以用前向填充、线性插值或该日期的历史均值填充。对于连续大片缺失需要结合业务判断如门店停业可能需要进行标注或使用更复杂的方法。异常值检测与处理通过箱线图、3-sigma 法则查看异常值。异常值可能是数据错误如多打一个0也可能是真实的促销爆发。不能简单删除对于疑似错误的可以用前后数据的均值或中位数修正对于真实的促销峰值最好将其单独标记为一个“促销事件”特征让模型去学习而不是平滑掉它。可视化分析绘制每个配件的时间序列图。观察趋势是平稳、上升还是下降季节性是否有以周、月、年为周期的波动用statsmodels.tsa.seasonal_decompose可以分解趋势、季节和残差项一目了然。节假日效应在国庆、春节等日期附近需求是骤降还是激增方差稳定性序列的波动幅度是否随时间变化如果变化大可能需要对数变换。实操心得EDA阶段花的时间越多后面建模就越顺。我们曾发现某个配件在每年8月都有一次需求骤降后来了解到是该配件供应商的固定检修期这直接催生了一个“供应链检修月”的哑变量特征。3.2 核心特征工程构建这是LightGBM模型成功的核心。我们将特征分为以下几类1. 时间滞后特征 (Lag Features)这是最直接的特征告诉模型“昨天卖了多少”、“上周同一天卖了多少”。# Python 示例 df[lag_1] df[demand].shift(1) # 前1天 df[lag_7] df[demand].shift(7) # 前1周捕捉周周期 df[lag_30] df[demand].shift(30) # 前1月捕捉月周期 # 可以构建一个滞后特征列表如 [1,2,3,7,14,21,30,60,90]注意构建滞后特征会导致前N行出现NaN需要在训练前丢弃或填充。2. 滚动窗口统计特征 (Rolling Window Statistics)描述近期序列的统计特性反映趋势和波动。df[rolling_mean_7] df[demand].rolling(window7, min_periods1).mean() df[rolling_std_7] df[demand].rolling(window7, min_periods1).std() df[rolling_max_14] df[demand].rolling(window14, min_periods1).max() # 还可以计算滚动中位数、分位数等对异常值更鲁棒3. 扩展窗口统计特征 (Expanding Window Statistics)描述从序列开始到当前点的全局统计特性。df[expanding_mean] df[demand].expanding().mean()4. 日历特征 (Calendar Features)将日期信息转化为模型可理解的维度。df[year] df[date].dt.year df[month] df[date].dt.month # 1-12 df[day_of_month] df[date].dt.day # 1-31 df[day_of_week] df[date].dt.dayofweek # 周一0 周日6 df[is_weekend] df[day_of_week].apply(lambda x: 1 if x 5 else 0) df[quarter] df[date].dt.quarter df[week_of_year] df[date].dt.isocalendar().week # 是否为月初/月末/季初/季末 df[is_month_start] df[date].dt.is_month_start.astype(int) df[is_month_end] df[date].dt.is_month_end.astype(int)5. 节假日与事件特征这是提升预测精度的关键。需要一份节假日日历。# 假设有一个holiday_list列表 df[is_holiday] df[date].isin(holiday_list).astype(int) # 节假日前后几天也可能受影响 df[days_to_holiday] ... # 计算距离最近节假日的天数 # 标记已知的促销活动日 df[is_promotion] ... # 根据业务数据标记6. 目标编码特征 (Target Encoding)对于类别型日历特征如“星期几”可以用历史同期如过去4周同星期几的平均需求来编码比单纯的one-hot编码信息量更大。# 计算“星期几”的历史平均需求使用滚动窗口避免数据泄露 df[dow_avg] df.groupby(day_of_week)[demand].transform(lambda x: x.rolling(30, min_periods1).mean().shift(1))注意事项特征工程中最致命的错误是数据泄露Data Leakage。任何使用了未来信息哪怕是统计信息的特征都会导致模型在训练时“作弊”从而在真实预测中表现极差。确保所有滚动统计、目标编码等操作都严格使用历史信息通过.shift()或.rolling().apply()时小心窗口方向。4. 模型实现与核心代码解析我们将分别展示 Matlab 和 Python 的核心实现代码。这里以 LightGBM 作为主力模型进行示例。4.1 Python 实现 (基于 LightGBM Scikit-learn)import pandas as pd import numpy as np from sklearn.model_selection import TimeSeriesSplit from sklearn.metrics import mean_absolute_error, mean_squared_error import lightgbm as lgb import warnings warnings.filterwarnings(ignore) # 1. 数据加载与基础预处理 def load_and_preprocess_data(filepath): df pd.read_csv(filepath, parse_dates[date]) df.sort_values(date, inplaceTrue) df.reset_index(dropTrue, inplaceTrue) # 假设数据已按配件ID分组这里以单个配件为例 return df # 2. 特征工程函数 def create_features(df): df df.copy() # 滞后特征 lags [1, 2, 3, 7, 14, 30] for lag in lags: df[flag_{lag}] df[demand].shift(lag) # 滚动窗口特征 df[rolling_mean_7] df[demand].rolling(window7, min_periods1).mean().shift(1) df[rolling_std_7] df[demand].rolling(window7, min_periods1).std().shift(1) df[rolling_max_14] df[demand].rolling(window14, min_periods1).max().shift(1) # 日历特征 df[year] df[date].dt.year df[month] df[date].dt.month df[day_of_week] df[date].dt.dayofweek df[is_weekend] (df[day_of_week] 5).astype(int) df[day_of_month] df[date].dt.day df[week_of_year] df[date].dt.isocalendar().week # 目标编码星期几的历史平均需求使用滚动平均防止泄露 df[dow_avg] df.groupby(day_of_week)[demand].transform( lambda x: x.rolling(30, min_periods1).mean().shift(1) ) # 节假日特征需要外部日历此处用示例 holiday_dates [] # 这里应填入实际的节假日日期列表 df[is_holiday] df[date].isin(holiday_dates).astype(int) # 丢弃因创建特征产生的NaN行 df.dropna(inplaceTrue) return df # 3. 训练与预测函数 def train_and_predict_lgb(train_df, forecast_horizon30, future_calendar_dfNone): train_df: 包含特征和‘demand’标签的完整训练DataFrame forecast_horizon: 需要预测的未来天数 future_calendar_df: 未来日期的日历DataFrame用于预测期特征构建 # 划分特征和标签 feature_cols [col for col in train_df.columns if col not in [date, demand, sku_id]] X train_df[feature_cols] y train_df[demand] # 使用时序交叉验证 tscv TimeSeriesSplit(n_splits5) models [] scores [] for train_idx, val_idx in tscv.split(X): X_train, X_val X.iloc[train_idx], X.iloc[val_idx] y_train, y_val y.iloc[train_idx], y.iloc[val_idx] # 定义LightGBM数据集 train_data lgb.Dataset(X_train, labely_train) val_data lgb.Dataset(X_val, labely_val, referencetrain_data) # 参数设置需根据实际情况调整 params { objective: regression, metric: mae, boosting_type: gbdt, num_leaves: 31, learning_rate: 0.05, feature_fraction: 0.9, bagging_fraction: 0.8, bagging_freq: 5, verbose: -1, seed: 42 } # 训练模型 gbm lgb.train(params, train_data, valid_sets[val_data], num_boost_round1000, callbacks[lgb.early_stopping(stopping_rounds50)]) models.append(gbm) # 验证 val_pred gbm.predict(X_val, num_iterationgbm.best_iteration) score mean_absolute_error(y_val, val_pred) scores.append(score) print(fFold MAE: {score:.4f}) print(fAverage CV MAE: {np.mean(scores):.4f}) # 使用全部数据重新训练最终模型 final_model lgb.train(params, lgb.Dataset(X, labely), num_boost_roundint(np.mean([m.best_iteration for m in models]))) # --- 预测未来 --- # 这是关键且容易出错的步骤 predictions [] last_known_data train_df.iloc[-1:].copy() # 取最后一行已知数据 for i in range(forecast_horizon): # 1. 创建未来一行的基础DataFrame future_row pd.DataFrame(index[0]) # 2. 填充已知的未来日历特征从future_calendar_df获取 # 例如future_row[year] future_calendar_df.iloc[i][year] # future_row[month] ... # future_row[is_holiday] ... # 3. 填充滞后特征需要使用我们刚刚预测出的值 if i 0: future_row[lag_1] last_known_data[demand].values[0] future_row[lag_7] train_df.iloc[-7][demand] if len(train_df) 7 else np.nan else: # 对于i0 lag_1 就是上一步的预测值 future_row[lag_1] predictions[-1] # lag_7 需要回溯如果回溯到历史数据区间就用真实值否则用预测值 if i 7: future_row[lag_7] predictions[-7] else: future_row[lag_7] train_df.iloc[-7 i][demand] if len(train_df) (7-i) else np.nan # 同理填充其他滞后特征... # 4. 填充滚动统计特征需要基于一个不断扩展的“历史”序列重新计算 # 这是一个递归过程较为复杂。简化处理可以用训练集末期的统计量近似或使用预测值动态构建一个临时序列来计算。 # 简化版使用训练集最后窗口的统计量假设短期内外推变化不大 future_row[rolling_mean_7] last_known_data[rolling_mean_7].values[0] # 更严谨的做法需要动态更新此处代码较长省略细节。 # 5. 确保特征顺序与训练时一致并处理可能的NaN future_row future_row[feature_cols] future_row future_row.fillna(methodffill).fillna(0) # 简单填充处理 # 6. 进行单步预测 pred final_model.predict(future_row)[0] # 7. 业务后处理非负可取整 pred max(0, pred) # pred round(pred) # 如果需要按整数配件预测 predictions.append(pred) # 8. 更新“最后已知数据”用于下一步的滞后特征计算模拟递归过程 # 在实际代码中可能需要维护一个不断增长的预测序列来更新滚动特征。 return final_model, predictions, np.mean(scores) # 主程序流程示例 if __name__ __main__: # 加载数据 df_raw load_and_preprocess_data(part_demand_data.csv) # 创建特征 df_featured create_features(df_raw) # 获取未来30天的日历信息需要提前生成 future_dates pd.date_range(startdf_raw[date].max() pd.Timedelta(days1), periods30, freqD) future_calendar pd.DataFrame({date: future_dates}) # 同样需要对future_calendar进行日历特征编码不含滞后和滚动特征 # ... # 训练与预测 model, preds, avg_mae train_and_predict_lgb(df_featured, forecast_horizon30, future_calendar_dffuture_calendar) print(f未来30天预测值: {preds})4.2 Matlab 实现 (基于回归模型与时序工具箱)Matlab 在统计时序建模方面有天然优势对于机器学习可以使用 Statistics and Machine Learning Toolbox 中的回归树、集成模型或第三方工具箱。%% 主脚本汽后配件需求预测 - Matlab实现 clear; clc; close all; %% 1. 数据导入与预处理 data readtable(part_demand_data.csv); data.date datetime(data.date, InputFormat, yyyy-MM-dd); data sortrows(data, date); % 假设数据已按配件分组这里分析第一个配件 sku_id unique(data.sku_id); target_sku sku_id(1); idx data.sku_id target_sku; ts_data data(idx, :); %% 2. 探索性数据分析 (EDA) figure; plot(ts_data.date, ts_data.demand); xlabel(Date); ylabel(Demand); title([Demand Time Series for SKU: , num2str(target_sku)]); grid on; % 季节性分解 (假设周期为7天) T 7; % 周期长度 demand_ts ts_data.demand; % 使用移动平均进行简单分解 trend movmean(demand_ts, [T-1, 0], Endpoints, discard); % 趋势项 detrended demand_ts(1:length(trend)) - trend; % 去趋势后序列 seasonal zeros(T,1); for i 1:T seasonal(i) mean(detrended(i:T:end)); % 计算周期内各点的平均值 end seasonal repmat(seasonal, ceil(length(detrended)/T), 1); seasonal seasonal(1:length(detrended)); residual detrended - seasonal; % 残差项 figure; subplot(4,1,1); plot(ts_data.date(1:length(trend)), demand_ts(1:length(trend))); title(Original); subplot(4,1,2); plot(ts_data.date(1:length(trend)), trend); title(Trend); subplot(4,1,3); plot(ts_data.date(1:length(trend)), seasonal); title(Seasonal); subplot(4,1,4); plot(ts_data.date(1:length(trend)), residual); title(Residual); %% 3. 构建特征矩阵 (类似Python的Feature Engineering) % 创建滞后特征 lags [1, 7, 30]; featureTable ts_data; for i 1:length(lags) lag lags(i); varName sprintf(lag_%d, lag); featureTable.(varName) [NaN(lag,1); demand_ts(1:end-lag)]; end % 创建日历特征 [Y,M,D,~] datevec(ts_data.date); featureTable.year Y; featureTable.month M; featureTable.day D; featureTable.day_of_week weekday(ts_data.date) - 1; % Sunday1, 调整为周一0 featureTable.is_weekend ismember(featureTable.day_of_week, [5,6]); % 创建滚动统计特征 (使用movmean, movstd) featureTable.rolling_mean_7 movmean(demand_ts, [6 0], Endpoints, shrink); featureTable.rolling_std_7 movstd(demand_ts, [6 0], Endpoints, shrink); % 注意滚动特征在开头会有NaN需要处理 % 处理NaN值 (简单向前填充) featureTable fillmissing(featureTable, previous); % 划分特征X和标签y predictorNames {lag_1, lag_7, lag_30, month, day_of_week, is_weekend, rolling_mean_7, rolling_std_7}; X featureTable{:, predictorNames}; y featureTable.demand; %% 4. 训练回归模型 (使用Fitrensemble - Random Forest或Boosted Trees) % 划分训练集和验证集 (最后20%作为验证) n size(X,1); splitIdx floor(0.8 * n); XTrain X(1:splitIdx, :); yTrain y(1:splitIdx); XVal X(splitIdx1:end, :); yVal y(splitIdx1:end); % 训练集成树模型 rng(42); % 设置随机种子保证可重复性 mdl fitrensemble(XTrain, yTrain, Method, LSBoost, NumLearningCycles, 200, LearnRate, 0.1); % 验证 yPred_val predict(mdl, XVal); mae_val mean(abs(yPred_val - yVal)); rmse_val sqrt(mean((yPred_val - yVal).^2)); fprintf(Validation MAE: %.4f, RMSE: %.4f\n, mae_val, rmse_val); figure; plot(yVal, b-, LineWidth, 1.5); hold on; plot(yPred_val, r--, LineWidth, 1.5); legend(Actual, Predicted); xlabel(Time Step); ylabel(Demand); title(Validation Set Prediction); %% 5. 使用SARIMA作为基准/对比模型 % 使用Econometrics Toolbox % 首先识别模型阶数 (简化流程实际需根据ACF/PACF图判断) % 假设我们识别为 SARIMA(1,1,1)(1,1,1,7) Mdl arima(ARLags, 1, D, 1, MALags, 1, ... Seasonality, 7, SARLags, 1, SMALags, 1); % 估计参数 EstMdl estimate(Mdl, demand_ts, Display, off); % 进行预测 [forecast_sarima, YMSE] forecast(EstMdl, 30, Y0, demand_ts); lower forecast_sarima - 1.96*sqrt(YMSE); upper forecast_sarima 1.96*sqrt(YMSE); %% 6. 模型融合 (简单加权平均) % 使用全部数据重新训练集成模型 final_mdl fitrensemble(X, y, Method, LSBoost, NumLearningCycles, 200, LearnRate, 0.1); % 生成未来30天的特征进行预测 (递归预测类似Python部分) % 此处省略详细的递归特征构建代码逻辑与Python版相同 % future_features ... % forecast_ml predict(final_mdl, future_features); % 假设我们已经得到了 forecast_ml (30x1向量) % forecast_combined 0.2 * forecast_sarima 0.8 * forecast_ml; %% 7. 结果输出与可视化 % 输出预测结果表格 future_dates ts_data.date(end) days(1:30); % result_table table(future_dates, forecast_combined, VariableNames, {date, forecast_demand}); % writetable(result_table, forecast_results.csv); disp(预测流程完成。);5. 关键难点、避坑指南与效果提升技巧在实际操作中我们会遇到一系列教科书上不会讲的难题。5.1 预测阶段的特征构造“陷阱”这是最大的难点。训练时lag_1特征很容易从上一行的真实demand获得。但在预测未来第一天时我们没有真实的“昨天”的需求。我们的做法是使用训练集最后一天的真实需求作为lag_1。预测出第一天的值pred_day1。预测第二天时用pred_day1作为新的lag_1。如此递归进行。问题来了滚动特征rolling_mean_7怎么算它依赖于最近7天的值。在预测期这7天里混入了预测值。我们必须模拟一个“实时更新”的序列维护一个扩展的序列extended_series [真实历史序列 预测值1 预测值2 ...]。每预测新的一天就将预测值追加到这个序列末尾。计算新一天的滚动特征时基于这个extended_series的最后7个值其中可能包含预测值来计算。这要求我们的特征工程代码必须是函数化的能够接收一个序列和当前索引输出该时间点的所有特征值。避坑指南务必编写一个独立的create_features_for_date(today_index, historical_series, calendar_info)函数。在训练时循环调用它来构建特征矩阵在预测时同样调用它并传入不断增长的“历史预测”序列。这是保证线上线下逻辑一致、避免数据泄露的关键。5.2 多序列预测的效率问题题目有上百个配件每个都单独跑一遍SARIMA和LightGBM耗时很长。SARIMA每个序列需要单独定阶、估计参数无法批量自动化。比赛中时间有限可以采用自动定阶工具如pmdarima库的auto_arima函数或者为所有序列统一指定一个相对通用的阶数如(1,1,1)(1,1,1,7)牺牲一些精度换取速度。LightGBM这是我们的优势。我们可以将所有配件的训练数据纵向堆叠起来并增加一个“配件ID”的类别特征。然后训练一个全局模型。模型会自动学习不同配件之间的共性模式并通过“配件ID”来区分个体差异。这通常比单独训练上百个模型效果更好、更快。# 将所有配件数据合并 all_data pd.concat([df_sku1, df_sku2, ...], ignore_indexTrue) # 将sku_id作为类别特征进行标签编码或目标编码 from sklearn.preprocessing import LabelEncoder le LabelEncoder() all_data[sku_id_encoded] le.fit_transform(all_data[sku_id]) # 将sku_id_encoded加入特征集进行训练5.3 评估指标与交叉验证不要只看最后的预测误差要用对方法评估。评估指标常用MAE平均绝对误差和MAPE平均绝对百分比误差。MAE对异常值不敏感MAPE能反映相对误差但当真实值很小时MAPE会爆炸。商业场景中更关注WMAPE加权平均绝对百分比误差用真实值加权更稳定。交叉验证对于时间序列绝对不能使用随机划分的K-Fold必须使用TimeSeriesSplit或滚动窗口交叉验证。它的每次验证集都在训练集之后模拟了真实的预测场景。划分比例建议保留最后1-2个月的数据作为严格的测试集Hold-out Set完全不参与任何特征构建和模型选择只用于最终报告性能。用之前的数据进行时序交叉验证来调参。5.4 模型融合与集成技巧简单的加权平均有时不够好。Stacking将SARIMA和LightGBM的预测结果作为新的特征再加上原始的部分重要特征训练一个第二层的“元模型”通常使用简单的线性回归或岭回归。这能让元模型学习如何权衡两个基模型的输出。模型多样性除了SARIMA和LightGBM可以加入一个简单的历史均值模型、上周同期模型作为额外的基模型增加集成多样性。动态权重对于波动大的序列LightGBM权重可以高一些对于平稳的序列SARIMA权重可以高一些。可以尝试根据序列的统计特性如变异系数动态调整权重。6. 比赛策略与论文写作要点如果是为了参赛除了算法策略和表达同样重要。结果可视化论文中一定要有丰富的图表。序列分解图趋势、季节、残差。历史拟合图模型在训练集上预测 vs 实际。未来预测图用不同颜色区分历史实际值和未来预测值并加上置信区间。特征重要性图LightGBM可以输出能体现你的工作深度。残差分析图检查残差是否随机有无模式验证模型假设。模型对比在测试集上对比SARIMA、LightGBM、融合模型等多个模型的结果用表格清晰列出MAE、MAPE、RMSE等指标证明你融合模型的有效性。敏感性分析讨论你的模型对关键参数如LightGBM的num_leaves、learning_rate或关键特征如是否包含节假日特征的敏感性。这体现了研究的严谨性。业务解释将模型结果翻译成业务语言。例如“模型预测下个月A配件需求将上升15%主要驱动因素是劳动节假期前的维修高峰建议提前增加20%的安全库存。” 这能让评委看到你不仅会建模更懂业务。代码与可复现性在附录中提供清晰、注释完整的核心代码片段。说明你的运行环境Python/Matlab版本主要库版本。这道赛题是一个绝佳的练手项目它覆盖了从数据清洗、特征工程、模型选择与训练、到预测递归和模型融合的完整预测流程。每一个环节都有坑也都有优化的空间。真正的提升来自于动手实践不断地调整特征、尝试模型、分析错误。希望这份超详细的拆解能为你提供一个坚实的起点少走一些我们曾经走过的弯路。 时间序列预测实战：融合SARIMA与LightGBM的汽后配件需求预测方案
1. 项目概述与核心价值最近刚带着团队做完2024年长三角高校数学建模竞赛C题的辅导这道“汽后配件需求预测”的题目可以说是把时间序列预测、机器学习以及业务理解这几个坑都踩了一遍。题目给的是某汽后配件公司连续四年的日度需求数据要求预测未来一段时间内各个配件的需求量。这活儿听起来像是经典的销量预测但真上手才发现里头门道不少数据有明显的季节性波动还有节假日、促销活动这些外部因素的干扰单纯套个ARIMA或者LSTM模型结果肯定好不了。这道题的价值远不止是拿个奖。它本质上是一个高度贴近工业界真实场景的预测问题。在汽车后市场配件需求的准确预测直接关系到库存周转率、资金占用和客户满意度。预测高了库存积压现金流紧张预测低了缺货导致客户流失甚至影响维修厂的正常运营。所以做好这个预测需要的是一个融合了统计方法、机器学习技术和业务洞察的系统性解决方案。接下来我就把我们在解题过程中形成的完整思路、核心代码Matlab和Python双版本以及那些容易踩坑的细节毫无保留地拆解一遍。无论你是参赛学生还是对预测算法感兴趣的从业者这份实战记录应该都能给你带来直接的参考。2. 解题核心思路与整体设计面对一个时间序列预测问题尤其是带有明显业务背景的赛题最忌讳的就是拿到数据直接跑模型。我们的整体思路遵循一个从“理解数据”到“模型融合”的递进式 pipeline。2.1 问题拆解与建模目标定义首先我们必须明确题目到底要我们干什么。题目提供了多个配件SKU的历史日需求数据要求预测未来一段时间例如接下来30天的日需求量。这本质上是一个多变量时间序列预测问题。但“多变量”在这里有两层含义多个时间序列我们需要同时对多个独立配件的需求序列进行预测。虽然配件之间可能存在弱关联例如刹车片和刹车盘的更换有时会同步但题目通常默认或暗示它们相互独立这简化了问题允许我们采用“单变量模型批量处理”的策略。单序列多特征对于每一个配件的需求序列我们不仅要利用其自身的历史值还要考虑可能影响它的外部特征如星期几、是否节假日、月份、是否有促销活动等。这要求我们的模型能够融入这些特征。因此建模的最终目标是为每个配件构建一个能够利用其历史需求数据和已知的未来外部特征信息来预测未来每日需求量的模型。2.2 技术路线选型与对比确定了目标接下来就是选择技术路线。我们评估了三种主流方向并最终形成了一个融合方案。方案一经典统计时间序列模型如 ARIMA, SARIMA核心思想认为序列的未来值是其过去值和过去误差的线性组合。SARIMA 特别考虑了季节性。优点理论成熟可解释性强对于线性、稳定的序列效果很好。Matlab 的arima和regARIMA工具箱Python 的statsmodels库都能方便实现。缺点对数据平稳性要求高需要人工进行差分、季节差分等预处理。处理外部特征协变量相对麻烦需用regARIMA且难以捕捉复杂的非线性关系。对于多个序列需要分别建模自动化批量处理有一定工作量。我们的判断适合作为基线模型Baseline用于快速验证和捕捉序列的主要线性趋势与季节规律。方案二机器学习回归模型如 XGBoost, LightGBM核心思想将时间序列预测转化为监督学习问题。通过构建特征如滞后特征lag1,lag7,lag30滚动统计特征rolling_mean_7以及外部特征用树模型进行回归预测。优点能够非常方便地融入大量外部特征对非线性关系捕捉能力强模型训练速度快。XGBoost/LightGBM 自带正则化抗过拟合能力较好。缺点模型本质上是“静态”的它学习的是特征与目标值之间的映射关系对纯粹的时间依赖关系尤其是长期依赖的建模能力弱于序列模型。特征工程的质量极大影响结果。我们的判断非常适合处理含有丰富外部特征的时间序列预测问题在本赛题中潜力巨大。方案三深度学习序列模型如 LSTM, GRU, Transformer核心思想利用循环神经网络RNN或注意力机制显式地建模序列中长距离的时序依赖关系。优点能够自动学习复杂的时序模式理论上建模能力最强。对于波动大、模式复杂的序列可能表现出色。缺点需要大量的数据训练时间长超参数调优复杂模型可解释性差容易过拟合。对于本赛题4年的日数据约1460个点数据量对于深度模型来说并不算非常充裕。我们的判断可以作为进阶尝试但不应作为首选。在有限的时间和算力下其稳定性可能不如前两者。我们的最终融合策略第一层基线模型。使用SARIMA为每个序列建立一个基准它的结果代表了“纯时序”的预测能力。第二层主力模型。使用LightGBM进行建模。我们会精心构建三类特征时序滞后特征、滚动窗口统计特征、外部日历特征。这是我们的核心预测引擎。第三层模型融合。将 SARIMA 的预测结果和 LightGBM 的预测结果进行加权平均如 0.2 * SARIMA 0.8 * LightGBM或者将 SARIMA 的预测值也作为一个特征输入给 LightGBM 进行二次训练。融合可以平滑单一模型的误差提升鲁棒性。第四层后处理。根据业务常识进行修正例如预测值不应为负数对于某些配件可能存在最小包装量如预测12.3个但实际按整盒13个销售需要进行取整处理。这个策略兼顾了可解释性、强大特征处理能力和稳定性在实际比赛中被证明是有效的。3. 数据预处理与特征工程详解数据和特征决定了模型性能的上限。这一步至关重要且包含大量细节。3.1 数据清洗与探索性分析EDA拿到数据后第一件事不是跑代码而是用眼睛看。缺失值处理检查是否有缺失的日期或需求值。对于个别缺失可以用前向填充、线性插值或该日期的历史均值填充。对于连续大片缺失需要结合业务判断如门店停业可能需要进行标注或使用更复杂的方法。异常值检测与处理通过箱线图、3-sigma 法则查看异常值。异常值可能是数据错误如多打一个0也可能是真实的促销爆发。不能简单删除对于疑似错误的可以用前后数据的均值或中位数修正对于真实的促销峰值最好将其单独标记为一个“促销事件”特征让模型去学习而不是平滑掉它。可视化分析绘制每个配件的时间序列图。观察趋势是平稳、上升还是下降季节性是否有以周、月、年为周期的波动用statsmodels.tsa.seasonal_decompose可以分解趋势、季节和残差项一目了然。节假日效应在国庆、春节等日期附近需求是骤降还是激增方差稳定性序列的波动幅度是否随时间变化如果变化大可能需要对数变换。实操心得EDA阶段花的时间越多后面建模就越顺。我们曾发现某个配件在每年8月都有一次需求骤降后来了解到是该配件供应商的固定检修期这直接催生了一个“供应链检修月”的哑变量特征。3.2 核心特征工程构建这是LightGBM模型成功的核心。我们将特征分为以下几类1. 时间滞后特征 (Lag Features)这是最直接的特征告诉模型“昨天卖了多少”、“上周同一天卖了多少”。# Python 示例 df[lag_1] df[demand].shift(1) # 前1天 df[lag_7] df[demand].shift(7) # 前1周捕捉周周期 df[lag_30] df[demand].shift(30) # 前1月捕捉月周期 # 可以构建一个滞后特征列表如 [1,2,3,7,14,21,30,60,90]注意构建滞后特征会导致前N行出现NaN需要在训练前丢弃或填充。2. 滚动窗口统计特征 (Rolling Window Statistics)描述近期序列的统计特性反映趋势和波动。df[rolling_mean_7] df[demand].rolling(window7, min_periods1).mean() df[rolling_std_7] df[demand].rolling(window7, min_periods1).std() df[rolling_max_14] df[demand].rolling(window14, min_periods1).max() # 还可以计算滚动中位数、分位数等对异常值更鲁棒3. 扩展窗口统计特征 (Expanding Window Statistics)描述从序列开始到当前点的全局统计特性。df[expanding_mean] df[demand].expanding().mean()4. 日历特征 (Calendar Features)将日期信息转化为模型可理解的维度。df[year] df[date].dt.year df[month] df[date].dt.month # 1-12 df[day_of_month] df[date].dt.day # 1-31 df[day_of_week] df[date].dt.dayofweek # 周一0 周日6 df[is_weekend] df[day_of_week].apply(lambda x: 1 if x 5 else 0) df[quarter] df[date].dt.quarter df[week_of_year] df[date].dt.isocalendar().week # 是否为月初/月末/季初/季末 df[is_month_start] df[date].dt.is_month_start.astype(int) df[is_month_end] df[date].dt.is_month_end.astype(int)5. 节假日与事件特征这是提升预测精度的关键。需要一份节假日日历。# 假设有一个holiday_list列表 df[is_holiday] df[date].isin(holiday_list).astype(int) # 节假日前后几天也可能受影响 df[days_to_holiday] ... # 计算距离最近节假日的天数 # 标记已知的促销活动日 df[is_promotion] ... # 根据业务数据标记6. 目标编码特征 (Target Encoding)对于类别型日历特征如“星期几”可以用历史同期如过去4周同星期几的平均需求来编码比单纯的one-hot编码信息量更大。# 计算“星期几”的历史平均需求使用滚动窗口避免数据泄露 df[dow_avg] df.groupby(day_of_week)[demand].transform(lambda x: x.rolling(30, min_periods1).mean().shift(1))注意事项特征工程中最致命的错误是数据泄露Data Leakage。任何使用了未来信息哪怕是统计信息的特征都会导致模型在训练时“作弊”从而在真实预测中表现极差。确保所有滚动统计、目标编码等操作都严格使用历史信息通过.shift()或.rolling().apply()时小心窗口方向。4. 模型实现与核心代码解析我们将分别展示 Matlab 和 Python 的核心实现代码。这里以 LightGBM 作为主力模型进行示例。4.1 Python 实现 (基于 LightGBM Scikit-learn)import pandas as pd import numpy as np from sklearn.model_selection import TimeSeriesSplit from sklearn.metrics import mean_absolute_error, mean_squared_error import lightgbm as lgb import warnings warnings.filterwarnings(ignore) # 1. 数据加载与基础预处理 def load_and_preprocess_data(filepath): df pd.read_csv(filepath, parse_dates[date]) df.sort_values(date, inplaceTrue) df.reset_index(dropTrue, inplaceTrue) # 假设数据已按配件ID分组这里以单个配件为例 return df # 2. 特征工程函数 def create_features(df): df df.copy() # 滞后特征 lags [1, 2, 3, 7, 14, 30] for lag in lags: df[flag_{lag}] df[demand].shift(lag) # 滚动窗口特征 df[rolling_mean_7] df[demand].rolling(window7, min_periods1).mean().shift(1) df[rolling_std_7] df[demand].rolling(window7, min_periods1).std().shift(1) df[rolling_max_14] df[demand].rolling(window14, min_periods1).max().shift(1) # 日历特征 df[year] df[date].dt.year df[month] df[date].dt.month df[day_of_week] df[date].dt.dayofweek df[is_weekend] (df[day_of_week] 5).astype(int) df[day_of_month] df[date].dt.day df[week_of_year] df[date].dt.isocalendar().week # 目标编码星期几的历史平均需求使用滚动平均防止泄露 df[dow_avg] df.groupby(day_of_week)[demand].transform( lambda x: x.rolling(30, min_periods1).mean().shift(1) ) # 节假日特征需要外部日历此处用示例 holiday_dates [] # 这里应填入实际的节假日日期列表 df[is_holiday] df[date].isin(holiday_dates).astype(int) # 丢弃因创建特征产生的NaN行 df.dropna(inplaceTrue) return df # 3. 训练与预测函数 def train_and_predict_lgb(train_df, forecast_horizon30, future_calendar_dfNone): train_df: 包含特征和‘demand’标签的完整训练DataFrame forecast_horizon: 需要预测的未来天数 future_calendar_df: 未来日期的日历DataFrame用于预测期特征构建 # 划分特征和标签 feature_cols [col for col in train_df.columns if col not in [date, demand, sku_id]] X train_df[feature_cols] y train_df[demand] # 使用时序交叉验证 tscv TimeSeriesSplit(n_splits5) models [] scores [] for train_idx, val_idx in tscv.split(X): X_train, X_val X.iloc[train_idx], X.iloc[val_idx] y_train, y_val y.iloc[train_idx], y.iloc[val_idx] # 定义LightGBM数据集 train_data lgb.Dataset(X_train, labely_train) val_data lgb.Dataset(X_val, labely_val, referencetrain_data) # 参数设置需根据实际情况调整 params { objective: regression, metric: mae, boosting_type: gbdt, num_leaves: 31, learning_rate: 0.05, feature_fraction: 0.9, bagging_fraction: 0.8, bagging_freq: 5, verbose: -1, seed: 42 } # 训练模型 gbm lgb.train(params, train_data, valid_sets[val_data], num_boost_round1000, callbacks[lgb.early_stopping(stopping_rounds50)]) models.append(gbm) # 验证 val_pred gbm.predict(X_val, num_iterationgbm.best_iteration) score mean_absolute_error(y_val, val_pred) scores.append(score) print(fFold MAE: {score:.4f}) print(fAverage CV MAE: {np.mean(scores):.4f}) # 使用全部数据重新训练最终模型 final_model lgb.train(params, lgb.Dataset(X, labely), num_boost_roundint(np.mean([m.best_iteration for m in models]))) # --- 预测未来 --- # 这是关键且容易出错的步骤 predictions [] last_known_data train_df.iloc[-1:].copy() # 取最后一行已知数据 for i in range(forecast_horizon): # 1. 创建未来一行的基础DataFrame future_row pd.DataFrame(index[0]) # 2. 填充已知的未来日历特征从future_calendar_df获取 # 例如future_row[year] future_calendar_df.iloc[i][year] # future_row[month] ... # future_row[is_holiday] ... # 3. 填充滞后特征需要使用我们刚刚预测出的值 if i 0: future_row[lag_1] last_known_data[demand].values[0] future_row[lag_7] train_df.iloc[-7][demand] if len(train_df) 7 else np.nan else: # 对于i0 lag_1 就是上一步的预测值 future_row[lag_1] predictions[-1] # lag_7 需要回溯如果回溯到历史数据区间就用真实值否则用预测值 if i 7: future_row[lag_7] predictions[-7] else: future_row[lag_7] train_df.iloc[-7 i][demand] if len(train_df) (7-i) else np.nan # 同理填充其他滞后特征... # 4. 填充滚动统计特征需要基于一个不断扩展的“历史”序列重新计算 # 这是一个递归过程较为复杂。简化处理可以用训练集末期的统计量近似或使用预测值动态构建一个临时序列来计算。 # 简化版使用训练集最后窗口的统计量假设短期内外推变化不大 future_row[rolling_mean_7] last_known_data[rolling_mean_7].values[0] # 更严谨的做法需要动态更新此处代码较长省略细节。 # 5. 确保特征顺序与训练时一致并处理可能的NaN future_row future_row[feature_cols] future_row future_row.fillna(methodffill).fillna(0) # 简单填充处理 # 6. 进行单步预测 pred final_model.predict(future_row)[0] # 7. 业务后处理非负可取整 pred max(0, pred) # pred round(pred) # 如果需要按整数配件预测 predictions.append(pred) # 8. 更新“最后已知数据”用于下一步的滞后特征计算模拟递归过程 # 在实际代码中可能需要维护一个不断增长的预测序列来更新滚动特征。 return final_model, predictions, np.mean(scores) # 主程序流程示例 if __name__ __main__: # 加载数据 df_raw load_and_preprocess_data(part_demand_data.csv) # 创建特征 df_featured create_features(df_raw) # 获取未来30天的日历信息需要提前生成 future_dates pd.date_range(startdf_raw[date].max() pd.Timedelta(days1), periods30, freqD) future_calendar pd.DataFrame({date: future_dates}) # 同样需要对future_calendar进行日历特征编码不含滞后和滚动特征 # ... # 训练与预测 model, preds, avg_mae train_and_predict_lgb(df_featured, forecast_horizon30, future_calendar_dffuture_calendar) print(f未来30天预测值: {preds})4.2 Matlab 实现 (基于回归模型与时序工具箱)Matlab 在统计时序建模方面有天然优势对于机器学习可以使用 Statistics and Machine Learning Toolbox 中的回归树、集成模型或第三方工具箱。%% 主脚本汽后配件需求预测 - Matlab实现 clear; clc; close all; %% 1. 数据导入与预处理 data readtable(part_demand_data.csv); data.date datetime(data.date, InputFormat, yyyy-MM-dd); data sortrows(data, date); % 假设数据已按配件分组这里分析第一个配件 sku_id unique(data.sku_id); target_sku sku_id(1); idx data.sku_id target_sku; ts_data data(idx, :); %% 2. 探索性数据分析 (EDA) figure; plot(ts_data.date, ts_data.demand); xlabel(Date); ylabel(Demand); title([Demand Time Series for SKU: , num2str(target_sku)]); grid on; % 季节性分解 (假设周期为7天) T 7; % 周期长度 demand_ts ts_data.demand; % 使用移动平均进行简单分解 trend movmean(demand_ts, [T-1, 0], Endpoints, discard); % 趋势项 detrended demand_ts(1:length(trend)) - trend; % 去趋势后序列 seasonal zeros(T,1); for i 1:T seasonal(i) mean(detrended(i:T:end)); % 计算周期内各点的平均值 end seasonal repmat(seasonal, ceil(length(detrended)/T), 1); seasonal seasonal(1:length(detrended)); residual detrended - seasonal; % 残差项 figure; subplot(4,1,1); plot(ts_data.date(1:length(trend)), demand_ts(1:length(trend))); title(Original); subplot(4,1,2); plot(ts_data.date(1:length(trend)), trend); title(Trend); subplot(4,1,3); plot(ts_data.date(1:length(trend)), seasonal); title(Seasonal); subplot(4,1,4); plot(ts_data.date(1:length(trend)), residual); title(Residual); %% 3. 构建特征矩阵 (类似Python的Feature Engineering) % 创建滞后特征 lags [1, 7, 30]; featureTable ts_data; for i 1:length(lags) lag lags(i); varName sprintf(lag_%d, lag); featureTable.(varName) [NaN(lag,1); demand_ts(1:end-lag)]; end % 创建日历特征 [Y,M,D,~] datevec(ts_data.date); featureTable.year Y; featureTable.month M; featureTable.day D; featureTable.day_of_week weekday(ts_data.date) - 1; % Sunday1, 调整为周一0 featureTable.is_weekend ismember(featureTable.day_of_week, [5,6]); % 创建滚动统计特征 (使用movmean, movstd) featureTable.rolling_mean_7 movmean(demand_ts, [6 0], Endpoints, shrink); featureTable.rolling_std_7 movstd(demand_ts, [6 0], Endpoints, shrink); % 注意滚动特征在开头会有NaN需要处理 % 处理NaN值 (简单向前填充) featureTable fillmissing(featureTable, previous); % 划分特征X和标签y predictorNames {lag_1, lag_7, lag_30, month, day_of_week, is_weekend, rolling_mean_7, rolling_std_7}; X featureTable{:, predictorNames}; y featureTable.demand; %% 4. 训练回归模型 (使用Fitrensemble - Random Forest或Boosted Trees) % 划分训练集和验证集 (最后20%作为验证) n size(X,1); splitIdx floor(0.8 * n); XTrain X(1:splitIdx, :); yTrain y(1:splitIdx); XVal X(splitIdx1:end, :); yVal y(splitIdx1:end); % 训练集成树模型 rng(42); % 设置随机种子保证可重复性 mdl fitrensemble(XTrain, yTrain, Method, LSBoost, NumLearningCycles, 200, LearnRate, 0.1); % 验证 yPred_val predict(mdl, XVal); mae_val mean(abs(yPred_val - yVal)); rmse_val sqrt(mean((yPred_val - yVal).^2)); fprintf(Validation MAE: %.4f, RMSE: %.4f\n, mae_val, rmse_val); figure; plot(yVal, b-, LineWidth, 1.5); hold on; plot(yPred_val, r--, LineWidth, 1.5); legend(Actual, Predicted); xlabel(Time Step); ylabel(Demand); title(Validation Set Prediction); %% 5. 使用SARIMA作为基准/对比模型 % 使用Econometrics Toolbox % 首先识别模型阶数 (简化流程实际需根据ACF/PACF图判断) % 假设我们识别为 SARIMA(1,1,1)(1,1,1,7) Mdl arima(ARLags, 1, D, 1, MALags, 1, ... Seasonality, 7, SARLags, 1, SMALags, 1); % 估计参数 EstMdl estimate(Mdl, demand_ts, Display, off); % 进行预测 [forecast_sarima, YMSE] forecast(EstMdl, 30, Y0, demand_ts); lower forecast_sarima - 1.96*sqrt(YMSE); upper forecast_sarima 1.96*sqrt(YMSE); %% 6. 模型融合 (简单加权平均) % 使用全部数据重新训练集成模型 final_mdl fitrensemble(X, y, Method, LSBoost, NumLearningCycles, 200, LearnRate, 0.1); % 生成未来30天的特征进行预测 (递归预测类似Python部分) % 此处省略详细的递归特征构建代码逻辑与Python版相同 % future_features ... % forecast_ml predict(final_mdl, future_features); % 假设我们已经得到了 forecast_ml (30x1向量) % forecast_combined 0.2 * forecast_sarima 0.8 * forecast_ml; %% 7. 结果输出与可视化 % 输出预测结果表格 future_dates ts_data.date(end) days(1:30); % result_table table(future_dates, forecast_combined, VariableNames, {date, forecast_demand}); % writetable(result_table, forecast_results.csv); disp(预测流程完成。);5. 关键难点、避坑指南与效果提升技巧在实际操作中我们会遇到一系列教科书上不会讲的难题。5.1 预测阶段的特征构造“陷阱”这是最大的难点。训练时lag_1特征很容易从上一行的真实demand获得。但在预测未来第一天时我们没有真实的“昨天”的需求。我们的做法是使用训练集最后一天的真实需求作为lag_1。预测出第一天的值pred_day1。预测第二天时用pred_day1作为新的lag_1。如此递归进行。问题来了滚动特征rolling_mean_7怎么算它依赖于最近7天的值。在预测期这7天里混入了预测值。我们必须模拟一个“实时更新”的序列维护一个扩展的序列extended_series [真实历史序列 预测值1 预测值2 ...]。每预测新的一天就将预测值追加到这个序列末尾。计算新一天的滚动特征时基于这个extended_series的最后7个值其中可能包含预测值来计算。这要求我们的特征工程代码必须是函数化的能够接收一个序列和当前索引输出该时间点的所有特征值。避坑指南务必编写一个独立的create_features_for_date(today_index, historical_series, calendar_info)函数。在训练时循环调用它来构建特征矩阵在预测时同样调用它并传入不断增长的“历史预测”序列。这是保证线上线下逻辑一致、避免数据泄露的关键。5.2 多序列预测的效率问题题目有上百个配件每个都单独跑一遍SARIMA和LightGBM耗时很长。SARIMA每个序列需要单独定阶、估计参数无法批量自动化。比赛中时间有限可以采用自动定阶工具如pmdarima库的auto_arima函数或者为所有序列统一指定一个相对通用的阶数如(1,1,1)(1,1,1,7)牺牲一些精度换取速度。LightGBM这是我们的优势。我们可以将所有配件的训练数据纵向堆叠起来并增加一个“配件ID”的类别特征。然后训练一个全局模型。模型会自动学习不同配件之间的共性模式并通过“配件ID”来区分个体差异。这通常比单独训练上百个模型效果更好、更快。# 将所有配件数据合并 all_data pd.concat([df_sku1, df_sku2, ...], ignore_indexTrue) # 将sku_id作为类别特征进行标签编码或目标编码 from sklearn.preprocessing import LabelEncoder le LabelEncoder() all_data[sku_id_encoded] le.fit_transform(all_data[sku_id]) # 将sku_id_encoded加入特征集进行训练5.3 评估指标与交叉验证不要只看最后的预测误差要用对方法评估。评估指标常用MAE平均绝对误差和MAPE平均绝对百分比误差。MAE对异常值不敏感MAPE能反映相对误差但当真实值很小时MAPE会爆炸。商业场景中更关注WMAPE加权平均绝对百分比误差用真实值加权更稳定。交叉验证对于时间序列绝对不能使用随机划分的K-Fold必须使用TimeSeriesSplit或滚动窗口交叉验证。它的每次验证集都在训练集之后模拟了真实的预测场景。划分比例建议保留最后1-2个月的数据作为严格的测试集Hold-out Set完全不参与任何特征构建和模型选择只用于最终报告性能。用之前的数据进行时序交叉验证来调参。5.4 模型融合与集成技巧简单的加权平均有时不够好。Stacking将SARIMA和LightGBM的预测结果作为新的特征再加上原始的部分重要特征训练一个第二层的“元模型”通常使用简单的线性回归或岭回归。这能让元模型学习如何权衡两个基模型的输出。模型多样性除了SARIMA和LightGBM可以加入一个简单的历史均值模型、上周同期模型作为额外的基模型增加集成多样性。动态权重对于波动大的序列LightGBM权重可以高一些对于平稳的序列SARIMA权重可以高一些。可以尝试根据序列的统计特性如变异系数动态调整权重。6. 比赛策略与论文写作要点如果是为了参赛除了算法策略和表达同样重要。结果可视化论文中一定要有丰富的图表。序列分解图趋势、季节、残差。历史拟合图模型在训练集上预测 vs 实际。未来预测图用不同颜色区分历史实际值和未来预测值并加上置信区间。特征重要性图LightGBM可以输出能体现你的工作深度。残差分析图检查残差是否随机有无模式验证模型假设。模型对比在测试集上对比SARIMA、LightGBM、融合模型等多个模型的结果用表格清晰列出MAE、MAPE、RMSE等指标证明你融合模型的有效性。敏感性分析讨论你的模型对关键参数如LightGBM的num_leaves、learning_rate或关键特征如是否包含节假日特征的敏感性。这体现了研究的严谨性。业务解释将模型结果翻译成业务语言。例如“模型预测下个月A配件需求将上升15%主要驱动因素是劳动节假期前的维修高峰建议提前增加20%的安全库存。” 这能让评委看到你不仅会建模更懂业务。代码与可复现性在附录中提供清晰、注释完整的核心代码片段。说明你的运行环境Python/Matlab版本主要库版本。这道赛题是一个绝佳的练手项目它覆盖了从数据清洗、特征工程、模型选择与训练、到预测递归和模型融合的完整预测流程。每一个环节都有坑也都有优化的空间。真正的提升来自于动手实践不断地调整特征、尝试模型、分析错误。希望这份超详细的拆解能为你提供一个坚实的起点少走一些我们曾经走过的弯路。