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。