网站导航

昨日、同日与移动平均

全文共 2486 字,阅读约需 5 分钟

昨日、同日与移动平均:例如,第8天实际22kg,提前预测20kg,则e=22−20=2kg,表示低估2kg。如果预测24kg,则e=−2kg,表示高估2kg。

← 学习路线
课程目录与学习记录 0 / 109

学习进度仅存于本机浏览器。原教程站的记录不会跨域自动迁移;可先在原站导出留存,新站按实际完成情况重新勾选。

入门数据与作业包

禾味数据为 2 店 × 8 SKU × 180 天,共 2,880 行,是可见教学数据,不是封存盲测集。起步包是模拟夹具,不表示已完成六行业预测实验。资源中心另有四专项工程、模型实验和计划实验,使用前请阅读各自能力边界。

第3章 用最少的数学做出第一组预测

3.1 先认识五个符号

  • y_t:第t天实际值。下标只是日期编号。
  • ŷ:预测值,读作“y帽”。
  • ŷ_(t+1|t):站在第t天结束时,对第t+1天的预测。
  • e=实际值−预测值:本文统一采用这个误差方向。
  • Σ:把指定的一组数相加。

例如,第8天实际22kg,提前预测20kg,则e=22−20=2kg,表示低估2kg。如果预测24kg,则e=−2kg,表示高估2kg。

绝对值|e|只关心偏差有多大,2和−2都变成2。平方e²也去掉正负,但会让大错误获得更大权重。两个错误是1和5时,绝对误差合计6,平方误差合计26;两个错误都是3时,绝对误差合计仍为6,平方误差合计却是18。

3.2 昨日法

规则:明天等于今天。

公式:ŷ_(t+1|t)=y_t。

站在第14天结束时,第15天预测为30kg。

它没有估计参数,容易理解,也能迅速跟随水平变化。但周日30kg直接用来预测周一,可能忽略周内规律。一个复杂模型如果连昨日法都比不过,就需要说明为什么仍值得使用。

3.3 过去7日移动平均

规则:取最近7个完整营业日的平均值。

站在第14天结束时:

ŷ_15=(22+24+23+25+32+36+30)÷7=192÷7≈27.43kg。

这里“7日”是窗口长度,不是向未来预测7天。一个7日移动平均可以用来做次日预测,两者不要混淆。

若改成3日移动平均,则:

ŷ_15=(32+36+30)÷3≈32.67kg。

短窗口更快响应最近变化,也更容易把周末高峰延续到周一。长窗口通常更平滑,但面对需求水平突然变化可能反应较慢。窗口应该通过历史验证选择,而不是因为7看上去恰好是一周就直接固定。

3.4 加权移动平均

希望最近一天更重要,可以给最近三天从旧到新的权重0.2、0.3、0.5。权重应加起来等于1:

ŷ_15=0.2×32+0.3×36+0.5×30=32.2kg。

这一组权重是教学设定,不是自动最优。如果尝试很多权重后选择表现最好的一组,选择过程只能使用训练或验证数据,不能反复查看最终测试集。

3.5 上周同日法

规则:下周一参照本周一,下周二参照本周二。

对于日数据的一周周期,次日预测公式为ŷ_(t+1|t)=y_(t+1−7)。因此第15天预测使用第8天22kg。

它保留了星期结构,特别适合作为存在稳定周内规律时的基线。不过节假日错位、调休、换季或经营变化都可能让“上周同日”失去代表性。服装中“去年同期”还会遇到新品替代、节日日期移动以及同款已退市的问题,不能机械按日期取值。

均值法、昨日法和季节性朴素法都是常用预测基准。这里的具体数据、算式与业务解释为独立教学设计。方法索引见Forecasting Principles and Practice 第5章。

3.6 为什么现在不直接加2kg

你已经看见第二周每天都比第一周多2kg,很容易给第15天写出22+2=24kg。这可以作为一个新假设,但此时还没有看到第15天实际值,不能宣布它有效。

更严重的错误是:看完第8至14天以后,把“每周增长2kg”的规律拿回去改写第8天预测,再与当时只知道前7天的方法比较。这样做等于把答案塞回试卷。

合理做法是,在第14天记录“同周法加增长修正”这个新候选,从之后的新时间段开始公平验证。真实数据中,增长修正本身也需要估计窗口和稳定性检查。

动手做。 在Excel或WPS中,A列放日序号,B列放实际耗用,第2行是第1天。第16行是待预测的第15天:

  • 昨日法:=B15
  • 7日移动平均:=AVERAGE(B9:B15)
  • 3日移动平均:=AVERAGE(B13:B15)
  • 加权3日平均:=0.2*B13+0.3*B14+0.5*B15
  • 上周同日法:=B9

本章验收。 你应该能算出30、27.43、32.67、32.2、22,并说明它们使用的信息完全相同,但归纳历史的方法不同。此刻没有第15天实际值,不能判定谁赢。

项目前补课:简单指数平滑

简单指数平滑 每次只更新一个水平

移动平均在窗口外突然丢掉旧数据。简单指数平滑则逐步降低旧观测的影响。设当前水平为l:

l_t=α×y_t+(1−α)×l_(t−1)。

次日预测为ŷ_(t+1|t)=l_t。

α取0到1之间。α越大,越重视最新实际值;越小,越平滑。为了演示,令α=0.3,初始水平l_1=y_1=20kg:

这里t是日序号,y_t是当日实际kg,l_t是看过第t天数据后的平滑水平kg,l_(t−1)是前一天水平kg;α是无单位权重。公式可改写为l_t=l_(t−1)+α(y_t−l_(t−1)):旧水平只向新观测移动α份距离。它假定仅跟踪局部水平,不能自行表达提前已知的促销或星期结构。

  • 第2天更新:l_2=0.3×22+0.7×20=20.6。
  • 第3天更新:l_3=0.3×21+0.7×20.6=20.72。
  • 第4天更新:l_4=0.3×23+0.7×20.72=21.404。
  • 因此在第4天结束时,对第5天预测21.404kg。

第5天实际是30kg,说明只追踪水平并不能提前识别本教学样本的周五高峰。继续按同一规则计算,第14天更新后的水平约29.73kg,作为第15天预测。它有平滑作用,但不会凭空学会周一回落。

只使用简单指数平滑时,从同一起点向未来多步预测通常都是当前水平。适用范围和指数平滑的组件形式见Forecasting Principles and Practice 第8章。α=0.3只是教学设定,实战应在训练与验证中估计或选择。

本阶段项目与验收

阶段2:最简单的预测也要有参照(3课)

课程:①昨日/均值/季节朴素;②移动平均和窗口超参数;③简单指数平滑与初始化。

项目P02“禾味四种基线”:用14天手算样本,比较昨日、MA7、上周同日;在180天两案例上实现SES,α只在训练/验证比较0.2、0.5、0.8。每个预测只看原点前数据。

交付:baseline_forecasts.csv、actual_vs_forecast.svg、baseline_card.md。

验收:手算第8—14天季节朴素MAE=2kg、WAPE=14/192≈7.29%;昨日MAE=4kg;MA7 MAE约3.84kg。SES α=1必须等于昨日预测,α=0必须保持初始水平。此断言不代表SES优于朴素。

仅保存在本机当前浏览器,无账号云同步;清除浏览器数据会丢失。不自动认定你通过测试。建议先保留输出文件和计算过程。

所有数据、系数与业务场景均为教学模拟。预测不等于采购或排产指令。来源与修订说明。