- name
- inventory-anomaly-prediction
- description
- 库存异常检测和需求预测系统生成工具。当用户需要搭建库存管理系统、实现异常检测算法、开发需求预测功能（如ARIMA模型）、创建库存预警系统时使用此skill。特别适用于制造业、零售业、备件管理等场景，需要处理Excel数据、检测库存异常、预测未来需求并生成报告的情况。
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：
- data_manager.py - 数据管理核心
- inventory.py - 库存查询功能
- demand_calculator.py - 需求计算功能
- anomaly_detector.py - 异常检测功能
- predictor.py - 需求预测功能（ARIMA模型）
- generate_fake_data.py - 测试数据生成
- 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：
- 检查是否需要更新数据
- 如果需要，生成新的测试数据
- 执行库存查询、异常检测、需求预测
- 生成TXT格式报告
- 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：
- API集成：将各模块封装为REST API
- 数据库集成：将data_manager改为使用数据库
- 定时任务：使用cron或Windows任务计划器定时运行
- 消息通知：添加邮件、短信、钉钉等通知功能
性能优化建议
- 数据缓存：频繁读取的数据可以缓存到内存
- 批量处理：使用向量化操作替代循环
- 并行计算：多配件预测可以并行处理
- 增量更新：只处理新增的订单数据
安全注意事项
- 数据备份：定期备份Excel数据
- 权限控制：限制数据文件的访问权限
- 日志记录：记录系统运行日志
- 异常处理：完善错误处理和恢复机制