К содержимому
Другое

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.py на 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.csv
ПодробнееМетрики 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.
Обсудить Telegram 1 32

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # SibangiS/hf-inventory-demand-forecaster
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download SibangiS/hf-inventory-demand-forecaster --local-dir ~/models/hf-inventory-demand-forecaster
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к hf-inventory-demand-forecaster
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии hf-inventory-demand-forecaster — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

SibangiS/hf-inventory-demand-forecaster
Автор
SibangiS
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

321

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии