国赛 · 2023C
蔬菜类商品的自动定价与补货决策
依据历史销售与损耗数据预测短期需求，制定各品类的定价与补货量，使收益最大同时损耗可控。
3 个关联模型拆解这道题 →
MODEL / 预测
时间序列 ARIMA
存在自相关或季节性的序列做中短期预测，例如销量、负荷、降水强度，样本量在数十个时点以上。
核心公式
\left(1-\sum_{i=1}^{p}\phi_i L^{i}\right)(1-L)^{d}x_t=\left(1+\sum_{j=1}^{q}\theta_j L^{j}\right)\varepsilon_t
Python 最小示例
下载 .py 文件 ↓依赖见代码开头；示例在自己的 Python 环境运行，页面不执行代码。用于理解方法，正式参赛请补齐数据检验与误差分析。
Python · 时间序列 ARIMA
# 依赖: statsmodels, pandas
import pandas as pd
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.stattools import adfuller
s = pd.Series([112, 118, 132, 129, 121, 135, 148, 136, 119, 104, 118, 115] * 2)
print('ADF p =', round(adfuller(s)[1], 4)) # p < 0.05 才近似平稳
orders = [(p, d, q) for p in range(3) for d in range(2) for q in range(3)]
best = min(orders, key=lambda o: ARIMA(s, order=o).fit().aic) # 按 AIC 定阶
model = ARIMA(s, order=best).fit()
print('阶数 =', best, '未来 4 期 =', model.forecast(4).round(2).tolist())