KLLAB团队依托项目成员在大规模时间序列预测、大数据分析和经济金融统计等领域的国际领先经验，面向国内提供咨询服务与横向课题合作。团队成员承担多项国家级课题和国内数据科学头部企业横向课题，对从联合国官员到地方政府提供高级别统计咨询服务，具有丰富的解决问题能力。
合作联系
李丰老师：feng.li@cufe.edu.cn
康雁飞老师：yanfeikang@buaa.edu.cn
成功案例
阿里巴巴集团：电商场景下的复杂时间序列预测问题研究
本项目针对电商场景下复杂时间序列预测问题，尤其面对实际场景中存在的业务环境高度动态、复杂层次结构、复杂数据分布等挑战，提出一套新型、高效、实用的预测方法。通过本项目的研究，希望为扩展管理实践中时间序列预测理论与方法体系做出有益的探索，并在电商场景下大规模时间序列的精准联合建模方面取得突破性进展，从而为优化企业管理决策支持做出贡献。具体目标简述如下。
第一，建立面向复杂数据特征的基于时间序列特征的多模型组合预测理论框架。建立特征自动挖掘框架，构建符合实际预测业务需求的多样化时间序列特征池，并基于建立的特征池解决竞品预测及超短生命周期商品的点预测和区间预测问题。
第二，建立面向复杂层次结构的分层预测模型理论框架。主要包括实现特定场景下受约束的跨区域跨品类多层次的商品需求点预测与区间预测；实现机器学习与统计方法相结合的关联商品的联合预测。
第三，建立针对复杂数据分布的贝叶斯深度学习概率预测框架。深度学习模型，尤其贝叶斯近似方法产生的不确定性估计，容易产生过度自信的概率预测。本项目拟通过对预测概率的校准，实现在测试数据集上的精准概率预测；并实现模型精度的平衡，即在维持概率预测的准确性的同时保证点预测的精度不下降。
数极智能政府“双碳”管理模型
该项目对企业一手、真实能耗数据进行分析，掌握企业真实能源活动水平，摸清行政区域内能源现状并追踪碳足迹流向，从而对能耗动态转换监管。对行政区域内能源供需进行动态预测；根据现有产业格局对产业延链补链进行规划；科学、动态、合理规划行政区域碳达峰路径。