基于LightGBM与报童模型的电商需求预测与库存优化实战

1. 项目概述：从一道赛题看供应链预测与优化的实战

最近在整理过往的竞赛资料，翻到了2023年MathorCup大数据竞赛的B题。这道题当时在圈内讨论度很高，因为它完美地戳中了现代供应链管理的核心痛点：如何在需求不确定性的迷雾中，实现精准的预测与库存优化。题目给了一个电商场景下的销售数据，要求参赛者不仅要预测未来一段时间内各商品的需求量，还要基于预测结果，设计一套库存补货策略，以最小化总成本（包括库存持有成本和缺货损失）。这听起来像是一个经典的运筹学问题，但“大数据”这个前缀意味着，我们面对的不是几十、几百个SKU（库存单位），而是海量、高维、具有复杂时空关联的数据。这就不再是教科书上的例题，而是一个需要工程思维、统计模型和业务洞察深度融合的实战项目。

这道题非常适合两类朋友来深入研究：一类是正在学习数据科学、机器学习，想找一个有明确业务背景和完整流程（从数据清洗到模型构建再到策略输出）的练手项目；另一类是在电商、零售、物流等行业从事数据分析或供应链相关工作的从业者，可以通过这道题的系统性解答，梳理和深化自己对需求预测与库存优化方法论的理解。接下来，我将以这道赛题为蓝本，结合我处理类似问题的经验，拆解其核心思路、技术细节与实操要点，希望能为你提供一个可复现、可拓展的实战参考框架。

2. 赛题核心需求与业务逻辑拆解

拿到赛题，第一步不是急着找代码或套模型，而是彻底读懂题目背后的业务逻辑。MathorCup B题通常有清晰的业务场景描述，我们需要将其转化为可量化的数据问题。

2.1 问题定义与目标量化

题目通常会提供数月的历史销售数据，包含字段如：商品ID、日期、销售量、是否促销、价格等。核心任务可拆解为两部分：

1. 需求预测：利用历史数据，预测未来N天（例如未来14天或30天）每个商品ID的日需求量。这里的“需求”在数据上体现为“销售量”，但需注意，销售量可能受缺货影响而小于真实需求，这是一个需要处理的噪声。
2. 库存优化：基于上述预测结果，制定一套补货策略。策略需要决定：何时补货、补多少货。优化目标是最小化总成本，通常包括：
   • 库存持有成本：货物在仓库中停留产生的费用（如仓储费、资金占用成本），与库存水平和持有时间正相关。
   • 缺货成本：因库存不足导致销售损失带来的成本，可能包括直接利润损失和商誉损失。

注意：题目中成本参数（如单位库存持有成本率、单位缺货惩罚成本）可能是给定的，也可能需要根据业务常识进行合理假设。这是将数学模型与业务连接的关键一步。

2.2 数据特性分析与挑战

电商销售数据通常具有以下特性，这也是建模的挑战所在：

• 间歇性需求：对于很多长尾商品，销售记录稀疏，存在大量零值。传统时间序列模型（如ARIMA）在此类数据上表现很差。
• 多周期性：明显的日周期（周末 vs 工作日）、周周期、月周期，以及年度季节性（如节假日、促销季）。
• 外部因素影响：促销活动、价格变动、节假日、天气（对于某些品类）会显著冲击销量。
• 品类层级结构：商品属于不同的类目，同类目商品的需求模式可能相似，这为利用层级信息提升预测精度提供了可能。
• 大数据量：商品数（SKU）可能成千上万，时间跨度数月，数据量庞大，对模型训练和计算效率提出要求。

理解这些特性，才能选择合适的模型和方法。例如，面对间歇性需求，可能需要采用Croston方法或其机器学习改进版本；对于海量SKU的预测，需要兼顾模型效果与计算效率，可能采用全局模型（如LightGBM、深度学习模型）同时对所有SKU进行训练，并引入商品特征。

3. 技术方案选型与核心模型解析

针对上述需求与挑战，一个完整的解决方案通常包含数据预处理、特征工程、预测模型、库存优化模型四个核心模块。

3.1 预测模型选型：从传统时序到机器学习

预测模型是基石。没有相对准确的预测，后续优化就是空中楼阁。常用的模型可分为几类：

1. 统计时间序列模型

• SARIMA（季节性ARIMA）：适用于具有明显、稳定季节性的单变量序列。对于电商多周期、受外部因素干扰的数据，往往需要复杂的参数调整，且对间歇性需求处理不佳。
• ETS（指数平滑）：同样适用于经典时序，有多种变体（Holt-Winters等）。实现简单，但对于复杂模式捕捉能力有限。
• Croston方法：专门为间歇性需求设计。它将需求拆分为“需求间隔”和“需求规模”两部分分别预测，再合成。这是处理间歇性需求的基准方法。

2. 机器学习模型

• LightGBM / XGBoost：在这类竞赛中最为常用和有效。它们是梯度提升树模型，优势在于：
  • 能天然处理表格数据，方便融入大量特征（滞后特征、滚动统计特征、日期特征、商品类别特征、促销特征等）。
  • 对缺失值、异常值有一定鲁棒性。
  • 训练速度快，支持并行，适合大数据场景。
  • 能够捕捉非线性关系和特征交互。
• 深度学习模型：如LSTM（长短期记忆网络）、TCN（时间卷积网络）、Transformer。
  • 优势：能自动学习更复杂的时间依赖模式，对于长序列预测可能有更好表现。
  • 劣势：需要更多的数据、更精细的调参、更长的训练时间，且模型可解释性较差。在有限时间和计算资源的竞赛中，风险较高。

3. 融合策略

• 模型融合：将不同模型的预测结果进行加权平均或 stacking，常能提升鲁棒性和精度。例如，用LightGBM捕捉特征影响，用LSTM捕捉深层时间依赖，再将结果融合。
• 层级聚合：先预测大类目的销量，再通过比例分解到具体SKU，有助于提升长尾商品的预测稳定性。

实操心得：在MathorCup这类比赛中，LightGBM往往是首选。它提供了一个在效果、速度和可操作性上极佳的平衡点。优先用LightGBM构建一个强大的基线模型，再考虑是否引入深度学习模型进行融合。千万不要一开始就陷入复杂模型的调参泥潭。

3.2 特征工程：构建模型的信息燃料

特征工程的质量直接决定模型的上限。对于时间序列预测问题，特征可以大致分为以下几类：

1. 时间特征

• 基础特征：年、月、日、星期几、一年中的第几天、是否为月初/月末。
• 周期性编码：将星期几、月份进行循环编码（sin/cos），让模型理解周期的循环性。
• 节假日标志：是否为法定节假日、节前第N天、节后第N天。可以手动构建或使用holidays库。

2. 滞后特征与滚动统计特征

• 滞后特征：过去1天、7天、14天、30天的销量。这是最重要的特征之一。
• 滚动统计：过去N天的均值、标准差、中位数、最大值、最小值、偏度等。例如，过去7天平均销量、过去30天销量标准差。
• 扩展窗口统计：至今的累计均值、累计标准差等。

3. 商品相关特征

• 商品类别（类目ID）：进行标签编码或目标编码（Target Encoding）。
• 商品价格、原价、折扣率。
• 商品上架时间（商品年龄）。
• 商品历史平均销量、销量波动性。

4. 事件与外部特征

• 是否促销：0/1标志。
• 促销强度：可以用折扣力度或专门的促销类型编码。
• 天气数据（如果题目相关）：温度、降水量等。
• 宏观经济指数（通常不适用于短期预测）。

5. 目标编码类特征

• 利用历史数据，计算商品在同一星期几的历史平均销量、在同一月份的历史平均销量等。这能有效捕捉商品在特定时间点的固有模式。

# 特征工程示例代码片段 (Python/Pandas) import pandas as pd import numpy as np def create_features(df): # 时间特征 df['year'] = df['date'].dt.year df['month'] = df['date'].dt.month df['day'] = df['date'].dt.day df['dayofweek'] = df['date'].dt.dayofweek df['dayofyear'] = df['date'].dt.dayofyear # 周期性编码 df['dayofweek_sin'] = np.sin(2 * np.pi * df['dayofweek'] / 7) df['dayofweek_cos'] = np.cos(2 * np.pi * df['dayofweek'] / 7) df['month_sin'] = np.sin(2 * np.pi * df['month'] / 12) df['month_cos'] = np.cos(2 * np.pi * df['month'] / 12) # 滞后特征 for lag in [1, 7, 14, 30]: df[f'sales_lag_{lag}'] = df.groupby('item_id')['sales'].shift(lag) # 滚动窗口特征 df['rolling_mean_7'] = df.groupby('item_id')['sales'].transform(lambda x: x.rolling(7, min_periods=1).mean()) df['rolling_std_7'] = df.groupby('item_id')['sales'].transform(lambda x: x.rolling(7, min_periods=1).std()) # 目标编码：商品在星期几的平均销量 # 注意：为了避免数据泄露，需要使用历史数据的expanding mean df['item_dow_avg'] = df.groupby(['item_id', 'dayofweek'])['sales'].transform(lambda x: x.expanding().mean().shift(1)) return df

3.3 库存优化模型：从预测到决策

得到预测后，就进入了运筹优化阶段。核心是建立库存模型。常用的模型是报童模型及其扩展。

1. 经典报童模型适用于单周期、需求为随机变量的情况。其核心思想是找到一个最优库存水平Q*，使得最后一单位产品的期望边际收益等于期望边际损失。

• 公式：P(需求 ≤ Q*) = Cu / (Cu + Co)
  • Cu：单位缺货成本（Underage Cost）。
  • Co：单位过剩（库存持有）成本（Overage Cost）。
• 应用：对于预测结果是概率分布（而非单一点估计）的情况，我们可以得到未来每天需求量的分布（例如通过分位数回归或概率预测模型），然后对每一天应用报童模型，计算当天的建议库存水平。

2. (s, S) 策略或 (R, Q) 策略这是多周期库存管理中更实用的策略。

• (s, S) 策略：持续检查库存。当库存水平降至s（再订货点）时，发出订单，将库存补充至S（最大库存水平）。
• (R, Q) 策略：定期（每隔R期）检查库存，并订购固定数量Q。
• 参数求解：s和S（或R和Q）的确定需要基于需求分布、提前期（从下单到入库的时间）、以及成本参数，通过优化算法（如动态规划、启发式算法）或仿真模拟来求解。

3. 仿真优化在复杂场景下（如多级库存、容量限制），解析解很难求得。这时可以采用仿真优化：

1. 设定一组库存策略参数（如不同的s,S组合）。
2. 基于历史数据或预测的需求分布，模拟长时间（如一年）的库存动态（每日销售、补货、库存水平变化）。
3. 计算每个策略下的模拟总成本。
4. 选择总成本最低的策略参数。

注意事项：库存优化严重依赖成本参数的准确性。如果题目未给出，需要基于业务常识进行合理假设，并在报告中明确说明假设及其依据。例如，缺货成本通常高于持有成本，比例可能在3:1到10:1之间，具体取决于商品毛利和客户忠诚度影响。

4. 完整实现流程与关键步骤

下面，我将结合代码片段，梳理从数据到策略的完整实现流程。假设我们使用Python作为工具。

4.1 数据预处理与探索性分析

这是所有数据项目的起点，耗时可能占整个项目的40%。

import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns # 1. 加载数据 sales_df = pd.read_csv('sales_data.csv', parse_dates=['date']) product_df = pd.read_csv('product_info.csv') # 2. 合并数据 df = pd.merge(sales_df, product_df, on='item_id', how='left') # 3. 处理缺失值与异常值 # 检查缺失 print(df.isnull().sum()) # 销售量为负或极大值视为异常，可进行截断或置为NaN df['sales'] = df['sales'].clip(lower=0) # 假设负值为错误，置为0 # 对于缺失的日期-商品组合，填充销售量为0（代表无销售） df_full = df.set_index(['date', 'item_id']).unstack(fill_value=0).stack().reset_index() df_full.rename(columns={0: 'sales'}, inplace=True) # 4. 探索性分析 # 查看数据整体情况 print(df_full.describe()) # 查看销量时间序列 plt.figure(figsize=(15,5)) df_full.groupby('date')['sales'].sum().plot(title='Total Daily Sales') plt.show() # 查看商品销量分布（长尾分析） sales_by_item = df_full.groupby('item_id')['sales'].sum().sort_values(ascending=False) sales_by_item.head(20).plot(kind='bar', figsize=(15,5), title='Top 20 Items by Total Sales') plt.show() # 分析促销影响 promo_effect = df_full.groupby('is_promotion')['sales'].mean() print(f"平均销量 - 促销日: {promo_effect[1]:.2f}, 非促销日: {promo_effect[0]:.2f}")

4.2 特征工程与数据集构建

基于第3.2节的方法，为每个(date, item_id)组合生成丰富的特征。关键点在于避免未来信息泄露。所有基于目标变量sales生成的特征（如滞后、滚动均值）都必须严格使用历史信息。

# 假设df_full是完整的面板数据（已处理缺失） df_featured = create_features(df_full.copy()) # 使用前面定义的函数 # 划分训练集和测试集 # 假设用最后30天作为测试/验证期 cutoff_date = df_featured['date'].max() - pd.Timedelta(days=30) train_df = df_featured[df_featured['date'] <= cutoff_date].copy() test_df = df_featured[df_featured['date'] > cutoff_date].copy() # 定义特征列和目标列 # 移除日期和ID，以及可能包含未来信息的列 feature_columns = [col for col in train_df.columns if col not in ['date', 'item_id', 'sales']] target_column = 'sales' X_train = train_df[feature_columns] y_train = train_df[target_column] X_test = test_df[feature_columns] y_test = test_df[target_column]

4.3 预测模型训练与调优

使用LightGBM进行建模和交叉验证。

import lightgbm as lgb from sklearn.model_selection import TimeSeriesSplit from sklearn.metrics import mean_absolute_error, mean_squared_error # 定义时间序列交叉验证 tscv = TimeSeriesSplit(n_splits=5) # 初始化LightGBM参数 params = { 'objective': 'regression', 'metric': 'rmse', 'boosting_type': 'gbdt', 'num_leaves': 31, 'learning_rate': 0.05, 'feature_fraction': 0.9, 'bagging_fraction': 0.8, 'bagging_freq': 5, 'verbose': -1, 'seed': 42 } # 使用交叉验证 cv_scores = [] models = [] for train_idx, val_idx in tscv.split(X_train): X_tr, X_val = X_train.iloc[train_idx], X_train.iloc[val_idx] y_tr, y_val = y_train.iloc[train_idx], y_train.iloc[val_idx] lgb_train = lgb.Dataset(X_tr, y_tr) lgb_eval = lgb.Dataset(X_val, y_val, reference=lgb_train) gbm = lgb.train(params, lgb_train, num_boost_round=1000, valid_sets=[lgb_train, lgb_eval], callbacks=[lgb.early_stopping(stopping_rounds=50), lgb.log_evaluation(50)]) models.append(gbm) y_pred = gbm.predict(X_val, num_iteration=gbm.best_iteration) score = np.sqrt(mean_squared_error(y_val, y_pred)) # RMSE cv_scores.append(score) print(f'Fold RMSE: {score:.4f}') print(f'CV平均RMSE: {np.mean(cv_scores):.4f} (±{np.std(cv_scores):.4f})') # 使用全部训练数据训练最终模型 final_model = lgb.train(params, lgb.Dataset(X_train, y_train), num_boost_round=1000, callbacks=[lgb.log_evaluation(100)]) # 在测试集上评估 test_pred = final_model.predict(X_test, num_iteration=final_model.best_iteration) test_rmse = np.sqrt(mean_squared_error(y_test, test_pred)) test_mae = mean_absolute_error(y_test, test_pred) print(f'测试集 RMSE: {test_rmse:.4f}, MAE: {test_mae:.4f}') # 特征重要性分析 lgb.plot_importance(final_model, figsize=(10, 8), max_num_features=20) plt.title('Feature Importance') plt.show()

4.4 库存策略仿真与优化

假设我们采用简单的报童模型进行单周期优化，并假设需求预测误差服从正态分布。

def newsvendor_optimizer(demand_forecast, demand_std, unit_holding_cost, unit_shortage_cost): """ 报童模型求解最优库存水平 :param demand_forecast: 需求预测均值 :param demand_std: 需求预测标准差 :param unit_holding_cost: 单位持有成本 :param unit_shortage_cost: 单位缺货成本 :return: 最优库存水平 Q_star """ # 计算关键分位数 critical_ratio = unit_shortage_cost / (unit_holding_cost + unit_shortage_cost) # 假设需求服从正态分布 N(demand_forecast, demand_std^2) from scipy.stats import norm Q_star = norm.ppf(critical_ratio, loc=demand_forecast, scale=demand_std) # 库存不能为负 Q_star = max(0, Q_star) return Q_star # 示例：为测试集每个商品-日期组合计算建议库存 # 首先，我们需要预测的不只是点估计，还有预测区间（标准差） # 这里简化处理：使用模型在验证集上的预测误差来估计标准差 # 更严谨的做法是使用分位数回归或概率预测模型 # 假设我们有一个函数可以输出预测的均值和标准差 def predict_with_uncertainty(model, X): # 这里可以使用多种方法估计不确定性，例如： # 1. 使用多个模型的预测方差（集成） # 2. 使用分位数回归（LightGBM支持） # 3. 使用conformal prediction等方法 # 此处为示例，我们简单假设一个固定的变异系数（CV） point_pred = model.predict(X, num_iteration=model.best_iteration) cv = 0.3 # 假设变异系数为30%，这是一个需要根据历史误差调整的参数 std_pred = point_pred * cv return point_pred, std_pred # 为测试集生成预测和不确定性 test_point_pred, test_std_pred = predict_with_uncertainty(final_model, X_test) # 设置成本参数（示例值，需根据题目或业务设定） unit_holding_cost = 1.0 # 每件商品持有一天的成本 unit_shortage_cost = 5.0 # 每缺货一件的损失成本 # 计算最优库存水平 optimal_inventory = [] for mu, sigma in zip(test_point_pred, test_std_pred): Q = newsvendor_optimizer(mu, sigma, unit_holding_cost, unit_shortage_cost) optimal_inventory.append(Q) test_df['demand_forecast'] = test_point_pred test_df['demand_std'] = test_std_pred test_df['optimal_inventory'] = optimal_inventory # 评估库存策略（需要模拟实际的库存动态，这里仅展示思路） def simulate_inventory_policy(df, init_inventory, lead_time=1): """ 模拟 (s, S) 策略下的库存动态 :param df: 包含日期、商品、预测需求、实际需求的数据框 :param init_inventory: 初始库存 :param lead_time: 补货提前期（天） :return: 包含每日库存水平、订单、成本的数据框 """ # 初始化 df = df.sort_values(['item_id', 'date']).copy() df['inventory_on_hand'] = 0 df['order_placed'] = 0 df['order_arrives'] = 0 df['holding_cost'] = 0 df['shortage_cost'] = 0 current_inventory = init_inventory pipeline_orders = {} # 记录在途订单 {arrival_date: quantity} for idx, row in df.iterrows(): date, item_id, demand_forecast, actual_demand = row[['date', 'item_id', 'demand_forecast', 'sales']] # 假设'sales'是实际需求 # 1. 接收到的到货 if date in pipeline_orders: current_inventory += pipeline_orders.pop(date) # 2. 满足当日需求 sales = min(current_inventory, actual_demand) shortage = max(0, actual_demand - sales) current_inventory -= sales # 3. 计算成本 holding_cost = current_inventory * unit_holding_cost shortage_cost = shortage * unit_shortage_cost # 4. 检查库存并下订单（简化版 (s, S)） s = demand_forecast * lead_time * 1.2 # 再订货点，示例计算 S = demand_forecast * (lead_time + 7) * 1.1 # 目标库存水平，示例计算 if current_inventory <= s: order_qty = S - current_inventory if order_qty > 0: arrival_date = date + pd.Timedelta(days=lead_time) if arrival_date in pipeline_orders: pipeline_orders[arrival_date] += order_qty else: pipeline_orders[arrival_date] = order_qty df.loc[idx, 'order_placed'] = order_qty # 5. 记录状态 df.loc[idx, 'inventory_on_hand'] = current_inventory df.loc[idx, 'holding_cost'] = holding_cost df.loc[idx, 'shortage_cost'] = shortage_cost df['total_cost'] = df['holding_cost'] + df['shortage_cost'] return df # 对单个商品进行模拟示例 sample_item = test_df['item_id'].iloc[0] sample_data = test_df[test_df['item_id'] == sample_item].copy() sim_result = simulate_inventory_policy(sample_data, init_inventory=50, lead_time=2) total_cost = sim_result['total_cost'].sum() print(f"商品 {sample_item} 在模拟期内的总成本为: {total_cost:.2f}")

5. 常见问题、避坑指南与进阶思考

在实际操作和竞赛中，会遇到许多典型问题。这里总结一些关键点和进阶思路。

5.1 预测环节的典型问题

问题1：如何处理间歇性需求（大量零值）？

• 避坑：不要直接使用回归模型（如线性回归、标准LightGBM回归）预测原始销量。这会导致模型倾向于预测接近零的值，低估真实需求。
• 解决方案：
  1. 两阶段模型：先使用分类模型（如LightGBM分类）预测某天是否有需求（sales > 0），再使用回归模型预测有需求时的销量规模。最后将两者概率相乘。
  2. 使用专门模型：直接使用支持零膨胀分布的模型，如LightGBM的poisson或tweedie损失函数。Tweedie损失对于处理大量零值和正偏态数据非常有效。
  3. Croston方法：作为基准模型使用，但其假设较强，在复杂场景下可能不如机器学习模型。

问题2：如何有效利用商品层级信息？

• 避坑：对每个SKU单独建模（单变量时序）会忽略品类间的关联，且对长尾SKU不友好。
• 解决方案：
  1. 全局模型：将所有SKU的数据放在一起，训练一个统一的LightGBM模型。通过加入商品类别、商品价格段等作为特征，让模型学习跨SKU的模式。
  2. 层级聚合与分解：先预测大类目的总销量（通常更稳定），然后根据历史比例或模型预测的比例，将总量分解到子类目或SKU。
  3. 迁移学习/元学习：为每个SKU训练一个简单模型，然后利用所有SKU的模型参数作为特征，训练一个“元模型”来预测新SKU或调整现有SKU的预测。

问题3：如何评估预测效果？

• 避坑：仅使用RMSE、MAE等对称性误差指标。在库存优化中，高估和低估的成本影响是不对称的（缺货成本通常更高）。
• 解决方案：
  1. 使用分位数损失：在训练时使用分位数回归（LightGBM支持），直接预测需求的不同分位数（如10%，50%，90%），为库存决策提供区间估计。
  2. 使用业务导向的指标：计算在模拟库存策略下的总成本，这才是最终的“业务指标”。可以将预测模型和库存模型一起进行端到端的优化。

5.2 库存优化环节的典型问题

问题4：成本参数如何设定？

• 避坑：随意设定成本比例，导致优化结果没有业务意义。
• 解决方案：
  1. 敏感性分析：在报告中，展示不同成本比例（如缺货成本与持有成本之比从2:1到10:1）下，最优库存水平和总成本的变化。这能体现模型的鲁棒性。
  2. 业务访谈：在真实项目中，必须与业务部门（采购、财务）沟通，确定合理的成本范围。在竞赛中，基于常识给出合理假设并说明。

问题5：如何考虑补货提前期和订单约束？

• 避坑：假设补货是即时完成的，忽略了供应链中的延迟。
• 解决方案：
  1. 在模型中显式引入提前期：在仿真中，订单在L天后才能到货。(s, S)策略中的s必须能覆盖提前期L内的需求不确定性。
  2. 考虑批量约束：现实中订货可能有最小起订量（MOQ）或整车运输约束。在优化时，需要将决策变量Q约束为离散值或某个最小值的倍数。
  3. 考虑仓储容量约束：总库存不能超过仓库容量。这会将单商品优化问题升级为多商品联合优化问题，可以使用线性规划或启发式算法求解。

5.3 工程与实现效率

问题6：数据量大，训练慢怎么办？

• 解决方案：
  1. 利用LightGBM的高效性：设置合理的num_leaves、max_depth，使用feature_fraction和bagging_fraction。
  2. 采样：对于超大数据集，可以对长尾SKU进行下采样，或对时间序列进行聚合（如按周预测后再降采样到日）。
  3. 并行化：LightGBM原生支持多线程，确保设置n_jobs参数。

问题7：代码如何组织以支持可复现性？

• 建议结构：

  project/ ├── data/ # 原始数据 ├── processed/ # 处理后的数据 ├── notebooks/ # Jupyter notebooks用于探索 ├── src/ # 源代码 │ ├── data_preprocessing.py │ ├── feature_engineering.py │ ├── modeling.py │ ├── inventory_optimization.py │ └── utils.py ├── configs/ # 配置文件（参数） ├── models/ # 保存的模型 ├── results/ # 预测结果、图表 └── README.md

  使用argparse或配置文件管理超参数，使用random seed保证可复现性。

这道MathorCup B题是一个绝佳的综合性实践项目，它串联起了数据科学、机器学习和运筹优化的核心技能。从实际经验来看，拿到一个好成绩的关键往往不在于使用了多么前沿复杂的模型，而在于对业务问题的深刻理解、稳健可靠的特征工程、以及将预测与决策紧密结合的系统性思维。我个人的体会是，在特征工程上多花一倍的时间，通常比在模型调参上多花三倍时间带来的提升更大。另外，一定要进行端到端的仿真评估，用模拟的总成本来最终评判方案优劣，而不是仅仅看预测的RMSE。最后，在撰写论文或报告时，清晰的逻辑、可视化的结果以及对每一步决策的合理解释，和模型效果本身同等重要。