共计 980 个字符，预计需要花费 3 分钟才能阅读完成。
一. 问题背景。
题目链接
企业外部环境不稳固，供应链问题面临较多难题。当初给定数据集，包含不同地区，各个工夫，销售价格和需求量的状况。
让咱们去预测将来几个月的需求量的状况。
第一问：
（1）产品的不同价格对需求量的影响；
（2）产品所在区域对需求量的影响，以及不同区域的产品需求量有何个性；
（3）不同销售形式（线上和线下）的产品需求量的个性；
（4）不同品类之间的产品需求量有何不同点和共同点；
（5）不同时间段（例如月头、月中、月末等）产品需求量有何个性；
（6）节假日对产品需求量的影响；
（7）促销（如 618、双十一等）对产品需求量的影响；
（8）节令因素对产品需求量的影响。
第二问：
对附件预测数据（predict_sku1.csv）中给出的产品，预测将来 3 月（即 2019 年 1 月、2 月、3 月）的月需求量。
并别离按天、周、月的工夫粒度进行预测，试剖析不同的预测粒度对预测精度会产生什么样的影响。
二. 解题。
间接说一下建模最重要的局部。
首先这是一个工夫序列问题，依照题目要求，分为日粒度，周粒度和月粒度别离进行剖析，所以别离先对日周月进行预处理。
预处理和模型介绍
包含非凡日期对需求量的影响，所以间接将节假日和促销节给剔除掉。
第一问剖析，节令对产品的影响，发现节令它是呈周期性的法则变动的，所以是一个季节性工夫序列问题，那么咱们模型就采纳统计学上的 sarimax 算法，如果不是周期性的就采纳 arima 算法。
arima 就是 arma 算法中最经典的一种，
开始建模
对 sarimax 算法进行建模的要保障两个条件。
1. 这个工夫序列是一个安稳序列。
均值没有零碎的变动，方差没有零碎变动，那么就阐明是一个安稳的，才有法则可言，预测进去的后果才有意义。
2. 这个工夫序列是一个非白噪声序列。
非白噪声就是纯随机序列，各序列之间没有关系，没有记忆。满足这两个条件剖析才有价值。
如果不满足的话，就是进行一阶二阶差分，让它满足这两个条件，也就相当于提取出了序列的安稳且随机的数据。
（细节就是，adf 测验来测验平稳性）
模型训练过程中，就是 pdq 这三个参数，
p 是节令自回归的阶数
d 节令差分的次数
q 是节令挪动均匀的阶数
个别不会超过 3.
训练出最好的 pdq。失去模型。
后处理
最初做一个残差测验。
因为，咱们对数据是假如他是满足正太散布的，做这个货色就保障咱们拟合是正确的。
最初先把泰迪杯的论文，数据留在桌面吧~ 到时候复盘。
