智慧仓储-AI销量预测

1、预测系统技术选型

基础层：

Hbase、ClickHouse、Hdfs 用来做数据存储

框架层：

以 Spark RDD、Spark SQL、Hive 为主， MapReduce 程序占一小部分，是原先遗留下来的，目前正逐步替换成 Spark RDD。选择 Spark 除了对性能的考虑外，还考虑了 Spark 程序开发的高效率、多语言特性以及对机器学习算法的支持。

工具层：

比较常用的包有 xgboost、numpy、pandas、sklearn、scipy 和 hyperopt 等。

Xgboost：它是 Gradient Boosting Machine 的一个 C++ 实现，xgboost 最大的特点在于，它能够自动利用 CPU 的多线程进行并行，同时在算法上加以改进提高了精度。

numpy：是 Python 的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比 Python 自身的嵌套列表结构要高效的多（该结构也可以用来表示矩阵）。

pandas：是基于 NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。

sklearn：是 Python 重要的机器学习库，支持包括分类、回归、降维和聚类四大机器学习算法。还包含了特征提取、数据处理和模型评估三大模块。

scipy：是在 NumPy 库的基础上增加了众多的数学、科学以及工程计算中常用的库函数。例如线性代数、常微分方程数值求解、信号处理、图像处理和稀疏矩阵等等。

Hyperopt 是一个用于超参数优化的 Python 库，广泛应用于机器学习和深度学习模型的自动化调参。它通过贝叶斯优化算法（如随机搜索、模拟退火和 Tree-structured Parzen Estimator 算法 TPE）来寻找最优的超参数组合

算法层：

用到的算法模型非常多

1. 机器学习算法主要包括 GBDT、LASSO 和 RNN ：

GBDT：是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。我们用它来预测高销量，但历史规律不明显的商品。

RNN：这种网络的内部状态可以展示动态时序行为。不同于前馈神经网络的是，RNN 可以利用它内部的记忆来处理任意时序的输入序列，这让它可以更容易处理如时序预测、语音识别等。

LASSO：该方法是一种压缩估计。它通过构造一个罚函数得到一个较为精炼的模型，使得它压缩一些系数，同时设定一些系数为零。因此保留了子集收缩的优点，是一种处理具有复共线性数据的有偏估计。用来预测低销量，历史数据平稳的商品效果较好。

2. 时间序列主要包括 ARIMA 和 Holt winters ：

ARIMA：全称为自回归积分滑动平均模型，于 70 年代初提出的一个著名时间序列预测方法，我们用它来主要预测类似库房订单量，这种平稳的序列。

Holt winters：又称三次指数平滑算法，Holt-Winters方法通过引入季节性因素来扩展了传统的霍尔特线性趋势方法。这种方法可以进一步分为加法模型和乘法模型两种类型，主要区别在于季节性波动的大小。加法模型适用于季节性变化幅度相对较小的情况，而乘法模型则适用于季节性变化幅度较大的情况。

具体来说，Holt-Winters方法包括三个基本组件：水平（level）、趋势（trend）和季节性（seasonality）。这些组件共同作用，使得模型能够捕捉到数据中的长期趋势、短期波动以及周期性的季节性模式。我们用它来预测季节性和趋势都很明显的商品，比如服装类、节日礼品。

3. 结合业务开发的独有算法包括 WMAStockDT、SimilarityModel 和 NewProduct 等：

WMAStockDT：库存决策树模型，用来预测受库存状态影响较大的商品。

SimilarityModel：相似品模型，使用指定的同类品数据来预测某商品未来销量。

NewProduct：新品模型，顾名思义就是用来预测新品的销量。