R语言如何对多产品批量实现Auto ARIMA需求预测

不需要手写基础for循环也能实现，更推荐用嵌套数据框+purrr映射的方案，代码更简洁易维护，也能避免循环中常见的变量覆盖、报错中断问题，当然基础循环方案也能正常运行，你可以根据自己的编码习惯选择

方案1：嵌套数据框+purrr批量映射（推荐） #

这是目前R中批量处理独立时序的主流方案，核心逻辑是把每个SKU的时序数据单独打包成嵌套单元格，再对每个单元格统一调用你已经写好的预测函数，适配3000个SKU的处理量完全没有问题：

• 第一步：先把你现有的单SKU预测逻辑封装成自定义函数，输入是单个SKU的时序数据，输出是你需要的包含SKU、预测日期、点预测、95%置信上下限的data.frame，你可以直接把现有正常运行的代码移植到函数内即可，示例框架如下：

# 封装单SKU预测逻辑，参数df_sku就是单个SKU的历史数据框
predizer_arima <- function(df_sku) {
  # 此处直接粘贴你现有单SKU预测代码即可，变量对应你自己的葡萄牙语命名
  sku_id <- unique(df_sku$sku) # 替换为你实际的SKU列名
  # 你的原有逻辑：时序转换、auto.arima建模、forecast预测代码放在这里
  # 最后整理为标准输出格式
  resultado <- data.frame(
    sku = sku_id,
    data_prevista = seq.Date(as.Date("2024-07-01"), by = "month", length.out = 3), # 替换为你自己的预测日期生成逻辑
    valor_previsto = fc$mean,
    limite_inferior = fc$lower[,2], # 95%置信下限
    limite_superior = fc$upper[,2] # 95%置信上限
  )
  return(resultado)
}

• 第二步：把全量数据按SKU分组，嵌套为每个SKU单独的数据块

library(tidyverse)
library(forecast)

# 导入你的全量历史数据，必须包含SKU列、日期列、需求值列，列名对应你自己的葡萄牙语命名
dados_totais <- read.csv("seu_arquivo.csv", stringsAsFactors = FALSE)

# 按SKU分组嵌套
dados_aninhados <- dados_totais %>%
  group_by(sku) %>%
  nest()

• 第三步：批量调用自定义预测函数，合并所有结果

# 批量跑预测，加安全包裹避免单个SKU建模失败导致全流程中断
dados_resultados <- dados_aninhados %>%
  mutate(previsao = map(data, possibly(predizer_arima, otherwise = NULL))) %>%
  unnest(previsao)

# 导出最终结果
write.csv(dados_resultados, "previsao_todos_sku.csv", row.names = FALSE)

方案2：基础for循环实现 #

如果你更熟悉循环逻辑，也可以用for循环实现，注意提前初始化结果列表避免性能损耗：

# 提取所有唯一SKU
lista_sku <- unique(dados_totais$sku)
# 初始化结果列表
lista_resultados <- vector("list", length(lista_sku))

for (i in seq_along(lista_sku)) {
  sku_atual <- lista_sku[i]
  # 筛选单个SKU的数据
  df_sku_atual <- dados_totais %>% filter(sku == sku_atual)
  # 调用你封装的预测函数
  lista_resultados[[i]] <- predizer_arima(df_sku_atual)
  # 可选：加进度打印，方便追踪运行进度
  if(i %% 100 == 0) cat("已完成", i, "个SKU的预测\n")
}

# 合并所有结果
dados_resultados <- bind_rows(lista_resultados)
write.csv(dados_resultados, "previsao_todos_sku.csv", row.names = FALSE)

性能优化建议 #

• 3000个SKU如果单线程跑速度较慢，可以把map换成furrr包的future_map开启多线程并行，仅需修改一行代码即可，不需要调整其他逻辑
• 可以提前过滤掉历史数据不足3个周期的SKU，避免auto.arima建模报错中断流程
• 如果不需要保存每个SKU的模型对象，预测完直接清理内存，可以进一步提升运行速度

内容的提问来源于stack exchange，提问作者Leo