# Inventory Anomaly Prediction

> 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。

- Skill: `dvcrn/inventory-anomaly-prediction` (Agent Skill, multi-file: 12 files)
- Install (CLI): `npx skillmds@latest add dvcrn/inventory-anomaly-prediction`
- Raw SKILL.md: https://api.skillmd.com/api/skills/dvcrn/inventory-anomaly-prediction/raw
- Safety review: pending (external: skill-scanner PASS, skillspector PASS)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Data & Analytics
- Author: dvcrn (https://skillmd.com/u/dvcrn)
- Updated: 2026-09-08
- Page: https://skillmd.com/skills/dvcrn/inventory-anomaly-prediction

---


# 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：

```bash
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

```bash
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：

```python
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：

```python
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：

```python
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：

```python
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