本书将视角放在实战化、通用化的供应链算法上面，力求通过简单易懂的方式让读者入门供应链预测算法的实践或工作。本书的撰写人员均有国内外知名院校的硕博经历，具有丰富的业界经验，熟悉从入门到熟练的过程，在供应链预测算法方面有着深入的理论研究和项目经历。
本书主要涉及智能供应链预测领域的算法理论模型与行业实践知识。先从一个商品的需求预测讲起，介绍预测的大体流程，再深入基础的预测模型以及复杂的预测模型策略，诠释预测所需的算法模型工具，最后阐述了多个不同行业的预测实践案例，讲明算法理论的应用场景。其中预测算法囊括了传统的时间序列、统计学习模型和机器学习、深度学习模型，以及不同类型算法的有效融合，为不同的应用场景提供夯实的算法基础。本书既讲解理论知识，又介绍实践案例，深入浅出，使每个读者都能够了解和应用预测算法模型。
13.1 物流网络
13.1.1 行业背景
物流网络为供应链的高效运转起到了十分重要的作用。它主要关注物品从供应地向接收地流通的过程，提供快递、物流配送、物流仓储等服务，是电商、零售、民营快递等行业的重要组成部分。中国物流行业在近几年取得了长足的发展，物流运输能力不断提升，市场规模保持稳步扩大。物流网络中包括运输、分拣、仓储等多个环节，它们相互作用，支持面向终端客户的履约需求。
然而，物流行业发展至今仍未完全脱离传统物流模式，特别是在现代物流体系建设方面还有很多短板。整体来说，过去几年中国物流的发展仍主要依靠土地、人力等要素成本驱动，面对日益紧缺的土地资源、不断上升的人力成本，行业发展面临瓶颈。物流行业的一个主要突破口便是数字化和智能化，通过统一的数字化管理中心和智能管理工具，赋能传统物流的各个环节，使得物理世界中的物流基础设施在数字世界算法的加持下得以提升效率。其中，智能化包含一些以RFID、IoT为代表的“硬科技”，也同时包括预测、仿真、调度算法等数据科学“软科技”。
本章主要关注物流网络中的算法问题，包括长期线路及节点的规划、物流网络的动态预警、网点装车排班等场景，解决一系列在物流网络整体运营中的优化问题。以大促期间为例，成熟的物流系统会提前预知各区域、站点、线路的包裹量，根据此数据在各环节完成优化。例如，单一站点会对快递员、车辆等资源进行提前安排，在线路维度实时地进行预警以保证时效性，在仓库内对拣货和集单进行优化，通过实时算法决策建立自适应调节机制，为大促的顺利履约保驾护航。
13.1.2 预测思路
物流网络中的预测与前面章节中提到的供应链的需求预测有所不同，它主要关注物流某一环节的货量、单量等信息。在本章中，我们考虑比较常见、有代表性的线路和首末分拣货量预测问题。由于物流网络线路很多且关系繁杂，因此该问题的预测维度一般会考虑较粗维度（如首分拣—末分拣，Origin-Destination，简称OD），或者选择节点之间的干线货量。
1. 数据特征
物流网络中的货量数据与常见的供应链商品数据有较大的差别，因此我们需要着重分析以下几个常见特征，并设计相应的模型机制加以处理。
（1）干线或OD一般较稳定，新增预测维度情况较少：一般来说，货量预测所关注的线路或OD是比较稳定的。在成熟的物流网络中，我们一般可以获取较长时间的历史数据，查看长期历史数据的依赖关系。另外，OD的数量一般不会有很大的变化，这就意味着出现新增预测维度的情况较少，这与在消费品领域中经常出现的新品预测是十分不同的。稳定的预测维度数量可以使我们从历史时间序列中充分挖掘信息，得到与时间序列相关的模型参数。
（2）预测目标较多，一般不限于预测货量及单量：在物流网络中，预测模型一般不会关注实际的商品，但需要有多目标的结果输出，包括单量、货量、体积、重量等。在整体物流网络的优化中，预测会作为一个灯塔项目，使用统一的数据模型及处理模块生成未来多维度数据，以供不同优化模块使用。
（3）部分场景下预测的时间粒度较细，需要挖掘细时间维度下的特征：与供应链的商品补货场景不同，物流网络中的时间序列预测不仅包括天粒度的数据，还包括小时甚至分钟级别的预测数据。这就导致了历史数据往往很长，需要挖掘的信息隐藏在长时间周期的统计关联中。具体在数据中，模型需要建立相应的机制进行多效应的融合处理。
（4）时间序列集中呈现季节性和大促效应：各线路货量数据一般可呈现长周期性、多周期性叠加等复杂季节性，且在大促期间会有明显波动和上涨趋势。
2. 预测思路
回顾针对物流数据的预测案例，为了解决以上行业数据所展现的问题，基本思路有以下几方面的特点。
（1）采用时间序列维度的模型机制，处理季节性、大促效应等特征：由于网络中的时间序列比较稳定，且季节性、趋势性等特征及大促效应比较明显，因此在模型中需要设定相应的机制着重进行处理。此时不仅需要考虑一些全局变量，提取跨时间序列的特征，还需要将单个时间序列内部的特征分别提取出来，用于整体预测模型的建立。这也为我们将传统时间序列与机器学习或深度学习的结合提供了使用条件。
（2）扩大模型的特征提取区域，着重解决长序列中长时依赖问题：面对较细时间粒度的预测任务，在预测模型中不仅需要对短期特征进行刻画，同时还需要对长期存在的依赖关系进行充分挖掘。传统的时间序列预测模型主要关注短期影响，近年来提出的深度学习模型解决了部分长期存在的依赖关系的问题。
（3）增加多维度信息来刻画事件或时间序列信息：物流网络中的货量的影响因子较多，包括事件因素和网络自身信息，如分拣中心、地域信息等。此时我们需要对不同类型的信息在模型中予以编码，并将此类效应的编码值作为模型的一部分进行学习，从而较好地融入多维度的数据信息。
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 很优参数求解
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
