库存异常检测和需求预测系统

这个skill帮助你快速搭建一个完整的库存异常检测和需求预测系统，类似于电梯配件库存备货提醒系统。

系统架构

系统采用模块化设计，包含以下核心模块：

1. 数据管理模块 (data_manager.py)

• 读取和写入Excel数据
• 管理配件信息、库存数据、订单历史
• 提供统一的数据查询接口

2. 库存查询模块 (inventory.py)

• 查询单个或所有配件库存
• 判断库存状态（正常/不足/严重缺货）
• 生成库存预警信息

3. 需求计算模块 (demand_calculator.py)

• 基于订单历史计算需求统计
• 计算日均、周均、月均需求
• 生成补货建议

4. 异常检测模块 (anomaly_detector.py)

• 检测库存异常（库存不足、严重缺货）
• 检测需求异常（超过3倍标准差）
• 评估异常严重程度

5. 需求预测模块 (predictor.py)

• 使用ARIMA模型预测未来需求
• 每周滚动预测
• 检测预测异常（超过3倍标准差）
• 生成紧急补货建议

6. 数据生成模块 (generate_fake_data.py)

• 生成包含各种异常情况的测试数据
• 支持每天运行一次的数据更新机制
• 生成正常库存、库存不足、库存超量、需求异常增多等场景

7. 主程序 (main.py)

• 整合所有功能模块
• 生成综合报告（TXT格式）
• 实现每日自动更新机制

使用步骤

步骤1：创建项目结构

首先创建标准的项目目录结构：

your-project/
├── src/                    # 源代码目录
├── test/                   # 测试目录
├── data/                   # 数据目录
├── output/                  # 输出目录
└── spec/                    # 规格说明目录
    ├── ME2AI/             # 人类维护的规格
    └── AI2AI/             # AI维护的代码状态

步骤2：生成核心模块

根据你的业务需求，生成以下模块：

1. data_manager.py - 数据管理核心
2. inventory.py - 库存查询功能
3. demand_calculator.py - 需求计算功能
4. anomaly_detector.py - 异常检测功能
5. predictor.py - 需求预测功能（ARIMA模型）
6. generate_fake_data.py - 测试数据生成
7. main.py - 主程序入口

步骤3：配置业务参数

根据你的具体业务，调整以下参数：

• 配件信息：配件ID、名称、规格、单价
• 库存参数：当前库存、安全库存、最大库存
• 时间范围：订单历史天数（默认90天）
• 预测周期：预测未来周数（默认4周）
• 异常阈值：标准差倍数（默认3倍）
• 更新频率：每天运行一次

步骤4：生成测试数据

使用generate_fake_data.py生成测试数据：

• 配件数量：20个（可调整）
• 订单历史：680条（最近90天）
• 异常分布：
  • 严重缺货（库存=0）：3个配件
  • 库存不足：3个配件
  • 库存超量：4个配件
  • 正常库存：10个配件
  • 需求异常增多：3个配件

步骤5：运行系统

执行主程序：

python src/main.py

系统会：

1. 检查是否需要更新数据
2. 如果需要，生成新的测试数据
3. 执行库存查询、异常检测、需求预测
4. 生成TXT格式报告
5. 保存报告到output/report.txt

报告格式

生成的报告包含以下部分：

1. 库存概览

• 总配件数
• 异常库存数量

2. 异常检测

• 库存异常数量
• 每个异常配件的详细信息：
  • 配件ID和名称
  • 异常类型
  • 现有库存、需求数量、缺货数量

3. 需求预测（未来4周）

• 成功预测的配件数量
• 异常提醒的配件数量
• 每个异常配件的详细信息：
  • 配件ID
  • 预测周次
  • 异常类型和Z分数

4. 紧急补货建议

• 需要紧急补货的配件数量
• 每个配件的缺口数量

技术栈

• 数据处理：pandas
• 数值计算：numpy
• 时间序列预测：statsmodels (ARIMA模型)
• Excel操作：openpyxl

依赖安装

pip install pandas numpy statsmodels openpyxl

扩展建议

自定义配件类型

修改generate_fake_data.py中的配件信息：

parts_info = pd.DataFrame({
    '配件ID': [f'P{i:03d}' for i in range(1, 21)],
    '配件名称': ['你的配件名称1', '你的配件名称2', ...],
    '规格': ['规格1', '规格2', ...],
    '单价': np.random.randint(50, 500, 20)
})

调整异常检测阈值

修改anomaly_detector.py中的标准差倍数：

threshold = 3 * std_demand  # 改为其他值

修改预测模型

predictor.py支持多种预测模型，可以替换ARIMA为：

• Prophet
• LSTM
• XGBoost
• 其他时间序列模型

自定义报告格式

修改main.py中的generate_txt_report函数，调整报告格式和内容。

常见问题

Q: 如何使用真实的Excel数据？

A: 将你的Excel文件放到data/目录，命名为spare_parts.xlsx，包含三个工作表：

• 配件信息：配件ID、名称、规格、单价
• 库存：配件ID、当前库存、安全库存、最大库存
• 订单历史：订单ID、配件ID、数量、日期

Q: 如何调整预测周期？

A: 修改main.py中的调用参数：

predictions = system.predict_demand(weeks_ahead=8)  # 预测8周

Q: 如何添加新的异常类型？

A: 在anomaly_detector.py中添加新的检测逻辑，例如：

if current_stock > max_stock:
    anomalies.append({
        '配件ID': part_id,
        '异常类型': '库存超量',
        ...
    })

Q: 如何集成到现有系统？

A: 这个系统设计为独立运行，可以通过以下方式集成：

1. API集成：将各模块封装为REST API
2. 数据库集成：将data_manager改为使用数据库
3. 定时任务：使用cron或Windows任务计划器定时运行
4. 消息通知：添加邮件、短信、钉钉等通知功能

性能优化建议

1. 数据缓存：频繁读取的数据可以缓存到内存
2. 批量处理：使用向量化操作替代循环
3. 并行计算：多配件预测可以并行处理
4. 增量更新：只处理新增的订单数据

安全注意事项

1. 数据备份：定期备份Excel数据
2. 权限控制：限制数据文件的访问权限
3. 日志记录：记录系统运行日志
4. 异常处理：完善错误处理和恢复机制