网站导航

输入张量、概率路径与匿名视觉向量

全文共 4211 字,阅读约需 9 分钟

输入张量、概率路径与匿名视觉向量:本章所有数据都为匿名合成教学数据。本地代码不连接生产系统,不改价、不下单、不投放。执行证据分层:三商品回归与 sklearn 梯度提升树确实拟合;随机动态规划确实求解;深度网络、视觉编码器和 Prophet 没有训练或运行。模拟数据上的漂亮

← 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。

模拟教学与独立审查范围内的实际代码。下载模型实验 r3。Prophet、TFT、DeepAR和视觉编码器未运行;不得把分解算术或张量校验称为深度训练。

共同运行方法与能力边界

模型补课:从价格混杂到真正跑过的树

本章所有数据都为匿名合成教学数据。本地代码不连接生产系统,不改价、不下单、不投放。执行证据分层:三商品回归与 sklearn 梯度提升树确实拟合;随机动态规划确实求解;深度网络、视觉编码器和 Prophet 没有训练或运行。模拟数据上的漂亮数字不能证明实际业务收益。

课程与运行入口

课 ID要回答的问题关联白皮书项输入本轮证据
model-causal-three三商品价格如何共同影响需求,为什么降价数据会估出反号?E01–E03three_products.csv、elasticity_truth.json1,008行输入、三种拟合、价格情景、补货缺口、毛利与非法输入检查
model-pricing-stochastic需求未发生时,三期怎样选价?M01、M03、M04;保留M02确定性基础pricing_scenarios.csv、pricing_config.json、price_response.csvBellman全部状态、八路径、固定价和预定序列对照
model-tree-trained规则、线性、树用同样时间协议究竟表现如何?A05、G08tree_features.csv实际训练、验证选参、独立测试、逐行预测、按SKU与特征消融
model-deep-inputs深度模型究竟吃哪些张量,图像向量怎样参加新品类比?A06、C07deep_inputs.json、image_vectors.csv、trend_history.csv输入形状、时点、模拟路径分位数、8款向量类比、聚类、整款留出
model-prophet-decompositionProphet中的趋势、季节、事件是什么?A04prophet_components.csv分量算术和统一回测接口;Prophet库本身未运行

下载运行包 forecast-model-labs.zip,解压后在目录内执行:

python run_models.py
python tests/test_labs.py
python verify_reproducibility.py

无需访问在线业务系统。输入文件已经附上;generate_data.py 仅用于重建合成夹具,会覆盖本包 data 中的同名文件。完整数值输出在 outputs/results.json,逐行测试预测在 outputs/tree_test_predictions.csv。测试与运行依赖固定版本见 requirements.txt;若环境未安装,需要先安装 numpy、scipy、scikit-learn。不可用库不是静默跳过:本次环境没有 Prophet、torch、LightGBM 或 XGBoost,运行包没有声称使用这些库训练。

model-deep-inputs:输入张量、概率路径与匿名视觉向量

1. 先把“吃什么数据”讲清楚

B=2条商品序列;L=4个历史步;H=3个未来步。每条序列只用训练集算缩放因子,分别为10和20,不能用未来标签均值缩放。输入必须恰好是两个有限正数;NaN、无穷、零、负值或仅给一条尺度均拒绝,不能依赖数组广播悄悄通过。

数据块形状逐轴含义示例
静态static[2,2]商品×静态字段[category_code,base_price],第一行[0,10]
历史history[2,4,3]商品×历史步×通道[销量/训练尺度,已发生促销,缩放温度]
未来已知future_known[2,3,3]商品×预测步×通道[已公告促销,已发布天气预报,步长/3]
模拟路径samples[2,5,3]商品×抽样路径×预测步人工设定5条路径,不是模型输出

类别编号0/1是类别标签,不表示商品1比商品0“大一倍”。真实网络应走类别embedding或one-hot路径;本包只检查输入,不把它当连续类别训练。连续价格、温度与销量应各用训练得到的尺度。实际多序列模型还要有有效长度、缺失掩码和padding掩码,不能把补零当真实零销量。

第一条序列的4行历史是:

[0.8,0,0.2]
[0.9,0,0.3]
[1.0,1,0.1]
[1.2,1,0.2]

第1通道乘回训练尺度10后,是8、9、10、12件。它最后一步为已发生12件,不能把未来第一天的真实需求填进这里。

预测原点为2025-01-10 18:00;未来块的预报发布于当天12:00,合法。未来天气“最终实测值”、下周实际库存、最终促销销量不是未来已知变量。把future_available_at改到原点以后,验收失败。

2. TFT与DeepAR各把这些块放在哪里

TFT是一类多步预测架构,可区分静态协变量、历史观测协变量和未来已知协变量,并用变量选择、门控、序列编码和注意力等结构组合。常见实现输出各期若干条件分位数。注意力权重或变量权重不是自动成立的因果解释。

DeepAR是一类自回归概率模型,把历史目标、动态协变量与静态商品信息输入循环网络,输出下一步分布的参数,再抽样滚动形成未来路径。连续值可用相应连续分布,计数需选适当计数分布;不能仅因为叫DeepAR就宣称一定输出负二项。训练时真实历史目标可以逐步喂入;多步预测时未知未来目标要用预测分布滚动,不能继续喂真实未来。

符号化写法:

h_t = RNN(h_{t−1}, [scaled_y_{t−1}, dynamic_x_t, static_embedding])
θ_t = output_head(h_t)
y_t^(s) ~ p(y | θ_t)

h_t为隐藏状态,方括号表示拼接;θ_t为概率分布参数;s表示第几条模拟路径。此式描述数据流,不是本包已经执行过的训练。当前没有torch,未训练TFT/DeepAR,也不拿人工样本冒充它们的预测。

3. 5条模拟路径怎样变成P50/P90

第一商品第一天的5个样本为[8,9,10,11,12]件;第二天[7,8,9,10,11],第三天[6,7,8,9,10]。程序按numpy.quantile的method="higher"计算:

  • 第一商品P50=[10,9,8];P90=[12,11,10]。
  • 第二商品P50=[20,19,18];P90=[24,23,22]。

“H​​igher”取相邻排序位置中较高的观测样本。5条路径非常少,P90在这里落到最大样本,并不证明90%覆盖已校准。逐期P90之和一般也不等于总需求P90;要算累计需求分位数,应先在同一条路径内加总,再对路径总量取分位数。这批路径人为同向,碰巧相等也不能推广。

4. 8款匿名向量的完整类比

这些二维向量是人工设定的匿名模拟嵌入,不来自真实图片,更不是已训练视觉模型。8款整款划分:V1–V6为历史训练款,V7–V8为新款留出。向量在2025-01-09可用;历史款结果在1月10可用;留出款真实销量到1月20才可得,不参加相似款权重或趋势估计。

商品分组类别向量(v1,v2)可比曝光销量
V1trainshirts(1,0)1000100
V2trainshirts(0.8,0.2)1000120
V3trainshirts(0,1)100080
V4trainshoes(−1,0)100070
V5trainshoes(−0.8,0.2)100090
V6trainshoes(0,−1)100060
V7holdoutshirts(0.9,0.1)1000118,仅事后评价
V8holdoutshoes(−0.9,0.1)100087,仅事后评价

余弦相似度与权重:

cos(u,v) = (u1v1 + u2v2) / [sqrt(u1²+u2²)·sqrt(v1²+v2²)]
w_j = max(cos(u,v_j),0) / Σ_{k∈选中邻居} max(cos(u,v_k),0)
r = Σ_j w_j·(销量_j / 曝光_j)
新品预测 = 计划曝光 × r × 趋势系数

先筛相同类别,取相似度为正的前2个历史款。cos是方向相似,不受向量整体倍数影响;欧氏距离则受尺度影响,所以不能把未经归一化的两种距离混着用。零向量模长为0,余弦未定义,程序明确拒绝。

对V7=(0.9,0.1):模长sqrt(0.82);V1模长1,点积0.9,所以cos(V7,V1)=0.993883735。V2模长sqrt(0.68),点积0.74,得到cos(V7,V2)=0.990992430。两款归一化权重分别0.500728334和0.499271666。

基准转化率r=0.500728334×0.1+0.499271666×0.12=0.109985433。两个已发生可比期间,曝光均6000,销量从500到550,因此趋势系数=(550/6000)/(500/6000)=1.1。两期都早于预测原点,不用留出款销售来倒算趋势。

V7预测=1000×0.109985433×1.1=120.983977件,事后实际118。V8同理得到87.983977件,事后实际87。这只是2款留出的教学误差,不足以证明视觉类比稳定有效。

若没有同类正相似邻居,代码回退到历史6款总销量/总曝光,再乘既定趋势;输出fallback=true。此回退把多个类别合并,只是透明保底,真实业务可选择人工复核而非自动首单。若向量、曝光分布、价格或上市渠道不具有可比性,应拒绝类比,不能只因cos高就认定需求相同。

另做一项真正执行的聚类实验:把6款历史向量先除以各自模长,再用sklearn KMeans拟合K=2个簇,n_init=10、random_state=20261106、algorithm=lloyd。代码在fit与predict内部用threadpoolctl固定单线程,调用者无需设置环境变量。目标为Σ_j ||v̂j−μ{z_j}||²,v̂_j为归一化向量,z_j为簇编号,μ为簇中心。算法交替“把点分给最近中心”与“用簇内点的均值更新中心”,新款只分配到已经拟合的中心,不参与重训。

例如V2归一化为(0.970142500,0.242535625)。实际拟合中心为(0.656714167,−0.252488125)与(−0.656714167,0.414178542),历史款V1–V6的簇编号依次[0,0,1,1,1,0],留出V7/V8分到[0,1];簇内平方距离和inertia=2.706476666。聚类编号本身没有大小含义,换种初始化编号可能互换。由于这份教具左右对称,也存在不同分组却具有相同最优损失的解;并行求和的末位浮点差曾令固定种子仍在两解间切换。此处内部固定单线程以消除该环境下的复现不稳定,保留严格的训练中心一致测试,未将对称差异当作留出样本可以进入训练的理由。逐字节复现限定在本包固定依赖与受测运行环境,不承诺跨所有库版本和硬件。

聚类没有完美恢复商品类别:V3衬衫被分到主要鞋类所在簇,V6鞋被分到主要衬衫所在簇。这说明几何相似不等于业务可替代或需求可比。上述销量类比仍使用已知类别过滤和最近邻,没有悄悄切换为簇均值。K=2是教学预设,没有完成簇数选择或稳定性研究。训练的是这些合成向量上的小型聚类,不是视觉编码器。

5. 学员验收

能读出[2,4,3]不是“2天×4商品×3值”;手算V7两权重与120.983977。修改V8留出销量为9000时,预测应完全不变;改向量可得时间到未来则必须拒绝。零向量拒绝,无正权重触发回退,趋势分母0拒绝。P50≤P90只检验分位顺序,不等于概率校准。

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。