通常来说，需求预测可分为简单方法，传统时间序列预测，转化为监督学习预测，以及深度学习方法。
简单方法包括：直接平均法，滑动平均法，加权平均法，指数平滑法，多倍数指数平滑法，线性回归
传统时间序列预测包括：ARIMA，Holt-winters
转化为监督学习预测包括：XGBoost, LightGBM, CatBoost, Random Forest等树模型
深度学习：
Multi-time series forecast: seq2seq, LSTM及其变种, TPA-LSTM, LSNets等
Multi-time series quantile regression: DeepAR, MQ-RNN, Deep Factors Model
相应方法及详情可参考相关的文献。
简单方法包括：直接平均法，滑动平均法，加权平均法，指数平滑法，多倍数指数平滑法，线性回归
传统时间序列预测包括：ARIMA，Holt-winters
转化为监督学习预测包括：XGBoost, LightGBM, CatBoost, Random Forest等树模型
深度学习：
Multi-time series forecast: seq2seq, LSTM及其变种, TPA-LSTM, LSNets等
Multi-time series quantile regression: DeepAR, MQ-RNN, Deep Factors Model
相应方法及详情可参考相关的文献。
