时间序列预测

能力定位

把“下个月大概多少”变成一套可复核的预测任务：定义预测对象与时间截止点，检查数据是否真的可用，建立朴素基线，用滚动窗口比较候选方法，最后交付点预测、区间、假设和失效条件。

适合销量、订单、库存需求、网站流量、能耗、客流、工单量和设备读数。它既能为现有模型设计评估，也能在没有专用模型时给出基线方案；若当前工具不能实际训练或运行模型，应明确只交付方案、数据规格和验收规则。

快速导航

• 首次整理数据：读取 时序数据契约。
• 选择回测方式、指标和预测区间：读取 回测与验收。
• 只有一列日期和一列数值：先做季节朴素基线。
• 有促销、节假日或价格：只使用在预测时点已经知道的变量。
• 多门店、多商品：先决定逐序列预测、分层汇总还是共享模型。

新手30秒入门

提供时间列、目标列、时间粒度、历史范围、预测跨度和业务用途。例如：“用过去两年的日订单预测未来 28 天，节假日已知，结果用于备货，缺货成本高于积压成本。”

先返回 预测任务卡：截止时点、目标口径、粒度、跨度、可用特征、不可用未来信息、朴素基线、回测切片、主指标和交付格式。没有原始数据时不虚构数字，只给模板与最小数据需求。

功能索引

标准工作流

1. 固定预测时点

明确每次预测在什么时间生成、当时能看到哪些字段、结果服务哪个决策。库存预测和经营目标不是一回事；前者要估计需求分布，后者通常包含主观目标。

2. 建立数据契约

统一时区、粒度、单位、退款与取消口径。标注停业、断货、系统故障和缺测，区分“真实为零”与“没有记录”。任何回填都保留原值和方法。

3. 画出时间结构

检查长期趋势、周内与年内季节性、突变、尖峰、长尾和结构变化。分组序列同时比较规模、波动与稀疏度，不只看总量。

4. 建立不可跳过的基线

至少比较最近值、移动平均和与业务周期一致的季节朴素法。复杂模型若不能持续超过合适基线，就不应上线。

5. 构造可用特征

滞后、滚动统计必须只由预测时点之前的数据计算。日历和已排期促销可作为已知未来变量；未来成交、事后标签和最终结算值不得泄漏进训练或回测。

6. 用滚动窗口回测

按真实使用方式设置多个预测起点，每个起点只训练或拟合当时可见的数据。保持预测跨度与上线一致，并单独报告节假日、活动期、长尾商品等困难切片。

7. 选择指标与损失

同时提供尺度相关误差和可跨序列比较的误差。含大量零值时避免直接依赖百分比误差；备货场景可增加缺货与积压的非对称成本。

8. 形成区间与业务场景

除中位预测外，给出合理的低位与高位范围。将“常态、活动超预期、供应受限”等业务假设与统计区间分开，不用人为情景冒充概率结论。

9. 上线监控与回退

记录模型版本、训练截止点、输入快照和预测批次。监控数据延迟、特征缺失、实际误差、偏差方向和区间覆盖率；异常时回退到已验证基线。

输出规范

预测表至少包含 series_id、forecast_origin、timestamp、horizon_step、point、lower、upper、model_version、data_cutoff 和 flags。回测表包含 fold_id、train_end、test_range、baseline_score、candidate_score、segment 和 coverage。

结论先写“可用于什么决策”，再写误差、区间和限制。不要只交一条漂亮曲线；必须带基线对比、回测窗口、困难切片和不可用场景。

能力边界

• 不把预测结果视为承诺或经营目标，也不保证极端事件可由历史数据预见。
• 不用随机打乱切分评估时序任务，不让未来字段或事后修订泄漏。
• 不从少量观测声称存在稳定季节性，不把共同变化解释为因果影响。
• 股票、医疗或安全关键场景只能提供分析支持，不能替代持证专业判断。
• 无法实际运行模型时，不伪造拟合分数、置信区间或回测结果。

稳定性保障

每次预测绑定数据截止点、Schema 版本、特征版本和代码版本。对迟到数据、重复时间戳、负值、量纲突变和全零序列设置阻断或降级规则；批量运行前先用少量代表序列验证资源与输出形状。

用影子预测比较新旧方案，至少覆盖一个主要业务周期后再替换。误差连续越界、区间覆盖失真或输入分布明显漂移时，停止自动采用新结果并回退基线。

深度定制

零售可增加门店—商品层级一致性和断货校正；运营流量可按渠道与活动分层；能耗可纳入已知天气预报并单列极端天气；设备指标可重点监控漂移和异常区间，而不是只追求平均误差。

FAQ

历史越长越好吗？ 不一定。口径变化后的旧数据可能误导模型，应按制度、产品和渠道变化设定有效历史。

为什么必须有朴素基线？ 它揭示复杂度是否真正带来增益，也是在数据或模型异常时可用的回退方案。

促销信息能不能加入？ 可以，但必须确认预测生成时已经知道排期与强度；事后统计的实际曝光不能作为未来输入。

区间很宽是不是模型不好？ 可能是数据噪声大，也可能是模型诚实表达不确定性。应结合覆盖率和决策成本判断。

反模式与修正

按需 references

时序数据契约 用于导入、清洗和防泄漏；回测与验收 用于比较模型、设定区间和上线门槛。只做任务定义时无需加载第二份。