SibangiS/hf-inventory-demand-forecaster
прогноз спроса на 7 дней и расчёт дозаказа для ритейла
2 мин чтенияобновлено
Гибридный стекинг-ансамбль (объединение нескольких алгоритмов под управлением мета-модели) для прогнозирования суммарного спроса на конкретный товар в магазине на ближайшие 7 дней. На входе модель принимает исторические данные продаж в формате CSV, а на выходе выдаёт прогноз спроса и рекомендацию по объёму дозаказа с учётом страхового запаса. В основе лежат настроенные алгоритмы градиентного бустинга LightGBM и XGBoost, объединённые мета-моделью HuberRegressor — в новой версии автор отказался от нейросети LSTM, так как связка двух бустингов показала меньшую ошибку. Решение пригодится аналитикам данных и разработчикам систем управления запасами как готовый пайплайн или бейзлайн для табличного прогнозирования.
Ключевые особенности
- Использует 49 признаков без утечки будущих данных: лаги продаж, скользящие средние и отклонения за 7, 14 и 28 дней, цены конкурентов, скидки, сезонность и погоду.
- Мета-модель HuberRegressor (веса 0.5785 для LightGBM и 0.3456 для XGBoost) обучена строго на отложенной валидации и обходит одиночные модели по метрикам MAE и RMSE.
- Автоматически рассчитывает страховой запас (safety stock на уровне 90-го перцентиля ошибок — 181.75 единицы), повышая уровень сервиса на тесте до 91.14%.
- Вся сборка вместе с препроцессором упакована в один файл
hybrid_ensemble.pkl, а предыдущие версии и скрипты обучения сохранены в репозитории для сравнения.
Что можно сделать
- Запустить готовый скрипт
predict.pyна исторических таблицах продаж (минимум 28 строк на пару «магазин — товар»), чтобы получить прогноз спроса и объём дозаказа. - Использовать архитектуру признаков и ансамбля как отправную точку для собственных задач прогнозирования в ритейле, дообучив на реальных данных.
- Сравнить качество классического градиентного бустинга с LSTM на табличных временных рядах по готовым таблицам из
leaderboard.csv.
Пример
pip install -r requirements.txt
python predict.py --history sample_input.csvПодробнее
Метрики на тесте (8 400 строк): MAE — 105.30 (против 141.86 у сезонного бейзлайна и 106.61 у v1 Ridge), RMSE — 138.13, WMAPE — 0.1460.Обучение: 64 200 строк синтетического датасета Kaggle (5 магазинов, 20 товаров, 2022–2024 гг.).
Ограничения: модель обучена на синтетических данных, не учитывает сроки годности товаров и предназначена для исследований, а не для прямого продакшена без валидации на реальных продажах.










Комментарии