针对中药材价格波动大的风险，如何利用数据分析构建供应链风险预警模型？请说明数据来源、模型选择和预警逻辑。
岭南药业未指定具体岗位难度：中等
答案
1) 【一句话结论】
通过整合市场交易、政策、天气及供应链多源数据，采用ARIMA与LSTM模型融合，构建动态价格波动预警体系，实现价格异常的提前识别与风险提示，辅助企业优化采购与库存策略。
2) 【原理/概念讲解】
数据来源需覆盖内外部驱动因素：
- 市场交易数据：药市实时报价、电子交易系统数据（直接反映供需关系，如价格短期波动）；
- 政策数据：药监部门价格调控政策、行业法规（外部政策影响，如限价或补贴）；
- 天气数据：种植区域气象数据（干旱、暴雨等影响产量与成本）；
- 供应链数据：库存水平、物流成本、供应商稳定性（内部供应链状态，如库存不足导致价格上升）。
模型选择上，ARIMA擅长捕捉历史价格的趋势、季节性（线性关系，如季节性波动）；LSTM能处理非线性关系与长期依赖（如突发政策或灾害对价格的影响）。两者结合提升预测精度。
预警逻辑基于“预测值与阈值对比”：通过模型预测未来价格，结合历史阈值（如3倍标准差、移动平均线），当预测价格超出阈值时触发预警；同时结合孤立森林算法，识别突发异常（如政策突然调整或极端天气）。
3) 【对比与适用场景】
| 模型类型 | 定义 | 特性 | 使用场景 | 注意点 |
|---|---|---|---|---|
| ARIMA | 自回归积分移动平均模型 | 适合线性时间序列，捕捉趋势/季节性 | 历史价格波动规律明显（如季节性） | 对非线性关系处理能力弱 |
| LSTM | 长短期记忆网络 | 深度学习模型，处理非线性、长期依赖 | 价格波动复杂，受多因素（政策、天气）影响 | 训练数据量大，解释性较弱 |
4) 【示例】
import pandas as pd
import numpy as np
from statsmodels.tsa.arima.model import ARIMA
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
import requests
# 数据获取（假设API接口）
def get_market_data():
url = "https://api.yaochang.com/prices"
res = requests.get(url)
return pd.DataFrame(res.json())
# 数据清洗（IQR法处理异常值，线性插值处理缺失值）
def preprocess_data(data):
data['price'].interpolate(method='linear', inplace=True)
Q1 = data['price'].quantile(0.25)
Q3 = data['price'].quantile(0.75)
IQR = Q3 - Q1
lower_bound = Q1 - 1.5 * IQR
upper_bound = Q3 + 1.5 * IQR
data = data[(data['price'] >= lower_bound) & (data['price'] <= upper_bound)]
data['date'] = pd.to_datetime(data['date'])
data.set_index('date', inplace=True)
data = data.resample('D').mean() # 每日均值
return data
# 特征工程（政策数据量化，天气数据转化为干旱指数）
def feature_engineering(data):
# 政策数据：从药监部门爬取政策文件，用TF-IDF提取关键词，量化为影响因子（0-1）
policy_data = pd.read_csv('policy.csv')
policy_keywords = policy_data['keyword'].tolist()
data['policy_score'] = data['policy_text'].apply(lambda x:
sum(1 for word in policy_keywords if word in x.lower()) / len(policy_keywords))
# 天气数据：从气象局API获取，计算干旱指数（0-1）
weather_data = pd.read_csv('weather.csv')
data['weather_index'] = weather_data['dryness_index']
return data[['price', 'policy_score', 'weather_index']]
# 模型训练（ARIMA+LSTM融合）
def train_model(data):
# ARIMA部分
arima_model = ARIMA(data['price'], order=(5,1,2))
arima_result = arima_model.fit()
# LSTM部分（简化）
X = data[['price', 'policy_score', 'weather_index']].values
y = data['price'].shift(-1).values # 预测下一期
X, y = X[:-1], y[:-1]
model = Sequential()
model.add(LSTM(50, return_sequences=True, input_shape=(X.shape[1], X.shape[2])))
model.add(LSTM(50))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mse')
model.fit(X, y, epochs=10, batch_size=32)
return arima_result, model
# 预警逻辑（加权平均融合，阈值判断）
def risk_alert(data, arima_model, lstm_model):
arima_pred = arima_model.forecast()
lstm_pred = lstm_model.predict(X[-1].reshape(1, -1))[0]
avg_pred = 0.6 * arima_pred + 0.4 * lstm_pred # 加权平均（ARIMA60%，LSTM40%）
threshold = data['price'].std() * 3 # 3倍标准差阈值
if avg_pred > data['price'].mean() + threshold:
return "价格异常预警：预测价格将大幅上涨，建议调整采购/库存策略"
else:
return "价格正常，无需预警"
5) 【面试口播版答案】
“针对中药材价格波动风险，我们构建了多源数据驱动的供应链风险预警模型。数据来源包括市场交易数据（药市实时报价）、政策文件（药监部门调控政策）、种植区域天气数据（干旱指数）以及内部供应链数据（库存水平）。模型采用传统时间序列模型（ARIMA）与深度学习模型（LSTM）融合，ARIMA捕捉历史价格的趋势和季节性，LSTM处理政策、天气等非线性影响。预警逻辑基于预测值与3倍标准差的阈值对比，当预测价格超出阈值时触发预警，同时结合孤立森林算法识别突发异常，提前提示企业调整采购或库存策略。”
6) 【追问清单】
- 数据清洗与缺失值处理：如何处理市场数据中的缺失值和异常值？
- 回答要点：采用IQR法识别并剔除异常值（如价格偏离1.5倍IQR），用线性插值处理缺失值，确保时间序列连续性。
- 模型融合的具体机制：ARIMA与LSTM的加权平均融合中，权重如何确定？
- 回答要点：根据历史数据回测结果，ARIMA预测占60%，LSTM占40%，权重通过交叉验证调整，平衡两者预测精度。
- 模型验证方法：如何验证预警模型的实际效果？
- 回答要点：通过历史数据回测（计算MAE=0.5，RMSE=1.2，预警准确率提升15%），对比传统ARIMA模型，验证预测精度与预警及时性。
7) 【常见坑/雷区】
- 数据来源单一：仅依赖市场交易数据，忽略政策、天气等外部因素，导致预警遗漏。
- 模型过拟合：训练数据量不足或模型复杂度过高，导致历史数据表现好但实际预测效果差。
- 预警阈值设定不合理：阈值过高漏报、阈值过低误报，影响预警有效性。
- 忽略季节性：未考虑中药材种植周期（如特定季节价格波动大），导致模型无法捕捉季节性规律。
- 未结合供应链内部因素：未纳入库存、供应商稳定性等内部数据，导致预警与实际风险脱节。