南光集团需要预测未来3个月的石油需求量，以优化库存和采购计划。请设计一个需求预测模型，说明数据来源、模型选择（如时间序列、机器学习）、训练流程，以及如何评估模型效果。
南光集团能源工程类难度：中等
答案
1) 【一句话结论】采用“历史需求+外部因素”多源数据驱动的混合模型，核心是结合时间序列（如SARIMA）捕捉周期性趋势与机器学习（如LSTM）处理非线性关系，通过MAE/MSE等指标评估，确保预测精度满足库存优化需求。
2) 【原理/概念讲解】
时间序列预测的核心是“时间依赖性”——当前数据受历史数据影响（如石油需求受季节、经济周期影响），需模型捕捉这种依赖。类比：时间序列像“观察河流水位变化”，有长期趋势（水位上升）、季节波动（夏季水位高）、随机噪声（暴雨影响），模型需分离这些成分。
机器学习模型（如LSTM）是循环神经网络的一种，适合处理序列数据，能捕捉“长期依赖”——比如石油需求受数月前的政策影响，LSTM通过多层循环结构学习这种复杂关系。
3) 【对比与适用场景】
| 模型类型 | 定义 | 特性 | 使用场景 | 注意点 |
|---|---|---|---|---|
| 时间序列模型 | 基于历史序列自身规律的模型 | 依赖历史数据，适合线性/弱非线性 | 周期性、趋势性明显的数据（如月度需求） | 需处理季节性、趋势分离 |
| 机器学习模型 | 基于机器学习算法的模型 | 能处理非线性、复杂关系，可融合多特征 | 需求受多因素影响（如政策、价格） | 需大量数据，可能过拟合 |
4) 【示例】
# 数据预处理
import pandas as pd
data = pd.read_csv('oil_demand.csv', parse_dates=['date'], index_col='date')
# 季节分解
from statsmodels.tsa.seasonal import seasonal_decompose
decomp = seasonal_decompose(data['demand'], model='additive')
trend = decomp.trend
seasonal = decomp.seasonal
residual = decomp.resid
# 训练ARIMA模型
from statsmodels.tsa.arima.model import ARIMA
model_arima = ARIMA(trend, order=(p,q,d)) # p,q,d为参数
model_arima.fit()
arima_pred = model_arima.forecast(steps=3)
# 训练LSTM模型
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
# 准备数据
X = [] # 历史数据序列
y = [] # 未来需求
for i in range(len(data)-3):
X.append(data['demand'].iloc[i:i+3].values)
y.append(data['demand'].iloc[i+3])
X = np.array(X)
y = np.array(y)
# 构建LSTM模型
model_lstm = Sequential()
model_lstm.add(LSTM(50, activation='relu', input_shape=(3,1)))
model_lstm.add(Dense(1))
model_lstm.compile(optimizer='adam', loss='mse')
model_lstm.fit(X, y, epochs=50, verbose=0)
# 预测
last_3 = data['demand'].iloc[-3:].values.reshape(1,3,1)
lstm_pred = model_lstm.predict(last_3)
# 混合预测
final_pred = 0.6*arima_pred + 0.4*lstm_pred # 加权融合
5) 【面试口播版答案】
面试官您好，针对南光集团未来3个月石油需求预测，我设计的模型核心是“多源数据驱动+混合模型”。首先，数据来源包括历史月度石油需求数据（核心）、季节性因素（如夏季出行增加导致需求上升）、政策因素（如原油价格波动影响采购决策）；然后模型选择上，采用时间序列模型（如SARIMA）捕捉历史趋势和季节波动，再用机器学习模型（如LSTM）处理非线性关系（比如需求受经济周期影响）；训练流程包括数据预处理（缺失值填充、季节分解）、模型训练（分别训练ARIMA和LSTM，再融合预测）、评估（用MAE（平均绝对误差）和MSE（均方误差）衡量预测精度，确保误差低于5%满足库存优化需求）。这样能兼顾趋势、周期和非线性因素，提升预测准确性。
6) 【追问清单】
- Q1：数据中如果有缺失值或异常值，如何处理？
A1：用插值法填充缺失值（如线性插值），用3σ原则或IQR方法识别并处理异常值（如替换为均值）。 - Q2：模型训练时如何避免过拟合？
A2：通过交叉验证（如时间序列交叉验证）、正则化（如L1/L2正则化）、增加训练数据量。 - Q3：如果未来需求受突发因素（如疫情）影响，模型如何更新？
A3：定期重新训练模型（如每月更新一次），加入突发因素数据（如疫情后的需求变化），调整模型参数。
7) 【常见坑/雷区】
- 忽略数据预处理：未处理缺失值或异常值导致模型训练失败。
- 模型选择单一：只用时间序列或机器学习，未结合两者，无法处理复杂关系。
- 评估指标错误：用R²评估时间序列模型，因为时间序列数据有自相关，R²可能不准确。
- 未考虑外部因素：只依赖历史数据，未加入季节、政策等关键因素，预测误差大。
- 过拟合：训练数据量不足或模型复杂度过高，导致预测新数据时误差大。