用途：将神经网络与深度学习应用于供应链需求预测，构建 LSTM、GRU、Transformer 等模型，以捕捉需求数据中的复杂时间模式、季节性和非线性关系。
主要能力：提供 LSTM 需求预测器的模型构建（多层 LSTM 加 Dropout，输出多步预测）；提供带多头自注意力与位置编码的 Transformer 多步预测模型；提供基于膨胀因果卷积和残差连接的时序卷积网络 TCN；以及将多个网络模型的预测取平均的集成方法。
使用方式：技能先做初始评估，判断数据量是否充足（神经网络通常需要 1000+ 样本）、模式是否为复杂非线性或长期依赖、特征是单变量还是多变量、预测期限为短期还是长期、是否有 GPU 可用于训练。相关库包括 TensorFlow/Keras、PyTorch、N-BEATS、DeepAR。代码示例涉及 numpy、tensorflow、keras、matplotlib 等依赖，模型编译使用 Adam 优化器与 mse 损失。
适用场景：需求序列具有强非线性、长程依赖或多变量特征时的短/长期预测。
限制：具体安装命令、数据预处理步骤、评估指标、调参建议与完整使用流程暂未提供；资料未给出任何收费、价格或效果承诺信息。相关技能包括 demand-forecasting、ml-supply-chain、optimization-ml-hybrid。