本書主要介紹人工智能和供應鏈行業(yè)融合中通用化和實戰(zhàn)化的預測算法，以及這些預測算法在業(yè)界實際應用的案例，旨在通過簡單易懂的方式讓讀者了解供應鏈相關的應用場景。本書作者具有豐富的業(yè)界從業(yè)經(jīng)驗，在供應鏈預測算法方面擁有豐富的理論研究和項目經(jīng)驗，能夠?qū)⒒A模型、進階模型和行業(yè)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，并能應用所學知識。本書涵蓋了智能供應鏈預測領域的算法理論模型和行業(yè)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，然后深入討論基礎預測模型原理和復雜預測模型的設計策略，最后通過多個不同行業(yè)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(tǒng)的時間序列、統(tǒng)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(shù)字化領域的算法工程師，想要深入了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(yè)或希望培養(yǎng)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(yè)的學生。
莊曉天，美國亞利桑那州立大學博士，北京市人工智能高級工程師?，北京理工大學、上海交通大學?、西安交通大學、北京交通大學、北京郵電大學、東南大學研究生校外導師，中國科學院大學MBA導師。曾在國際SCI期刊、會議發(fā)表20余篇論文?，國家專利授權30余項。曾獲得中國物流與采購聯(lián)合會科技創(chuàng)新人物獎，科技進步一、二、三等獎，國家郵政局郵政行業(yè)科技英才，郵政行業(yè)科學技術一、二、三等獎。多次在供應鏈、物流、人工智能、運籌優(yōu)化等領域的行業(yè)峰會發(fā)表主題演講，參與多個國家自然科學基金項目，省部級重點科技項目。研究成果得到CCTV2《經(jīng)濟半小時》專項報道。
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(shù)據(jù)預處理
1.2.2 探索性分析與特征工程
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(yè)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(shù)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(shù)平滑
2.1.4 指數(shù)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(yōu)參數(shù)求解
3.1.3 線性回歸擬合優(yōu)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(wǎng)絡（ElasticNet）回歸
3.3 分位數(shù)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 特征選擇
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(jīng)網(wǎng)絡模型
5.1 神經(jīng)網(wǎng)絡基礎
5.1.1 感知機與S型神經(jīng)元
5.1.2 神經(jīng)網(wǎng)絡框架
5.1.3 神經(jīng)網(wǎng)絡訓練的基本概念
5.2 深度神經(jīng)網(wǎng)絡
5.2.1 模型結構
5.2.2 模型訓練
5.2.3 模型優(yōu)化
5.3 循環(huán)神經(jīng)網(wǎng)絡
5.3.1 循環(huán)神經(jīng)網(wǎng)絡基礎知識
5.3.2 LSTM
5.3.3 GRU
5.4 神經(jīng)網(wǎng)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(tǒng)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(shù)據(jù)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(jié)項
6.4.3 節(jié)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(wǎng)絡
7.1.1 1D-CNN
7.1.2 WaveNet
7.2 RNN類深度網(wǎng)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 注意力機制
7.3.4 層歸一化與前饋神經(jīng)網(wǎng)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(jié)
第9章 其他模型策略
9.1 間斷性需求預測
9.1.1 什么是間斷性需求
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(yè)實踐篇
第10章 制造業(yè)
10.1 備件需求預測
10.1.1 數(shù)據(jù)特征
10.1.2 預測思路
10.1.3 實踐案例
10.2 產(chǎn)品需求預測
10.2.1 數(shù)據(jù)特征
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(shù)據(jù)特征
10.3.2 預測思路
第11章 電商零售
11.1 常規(guī)預測
11.1.1 數(shù)據(jù)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(shù)據(jù)特征
11.2.2 預測思路
11.2.3 實踐案例
11.3 新品預測
11.3.1 數(shù)據(jù)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(yè)背景
12.1.2 數(shù)據(jù)特征
12.1.3 預測思路
12.1.4 實踐案例
12.2 服裝行業(yè)
12.2.1 行業(yè)背景
12.2.2 數(shù)據(jù)特征
12.2.3 預測思路
12.3 家具行業(yè)
12.3.1 行業(yè)背景
12.3.2 數(shù)據(jù)特征
12.3.3 預測思路
第13章 物流行業(yè)
13.1 物流網(wǎng)絡
13.1.1 行業(yè)背景
13.1.2 預測思路
13.1.3 預測案例
13.2 最后一公里
13.2.1 背景
13.2.2 數(shù)據(jù)特征
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 我需要具備什么能力
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
書單推薦
