网站导航

讲清分量,不伪造运行

全文共 2758 字,阅读约需 6 分钟

讲清分量,不伪造运行: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-prophet-decomposition:讲清分量,不伪造运行

1. 模型形式

Prophet常用加性形式为:

y(t) = g(t) + s(t) + h(t) + ε_t

g(t)为慢变化趋势,s(t)为周期项,h(t)为节假日/事件,ε_t为未解释误差。四项单位均为预测目标单位。若选择乘性季节性,形式与单位解释不同,不能把加性公式原封不动套上。

分段线性趋势可写成:

g(t) = [k + a(t)ᵀδ]·t + [m + a(t)ᵀγ]
γ_j = −s_jδ_j

k为初始斜率,m为初始截距,s_j为第j个候选变点时刻;a_j(t)在t到达s_j后为1,否则0;δ_j改变斜率,γ_j补偿截距使曲线在变点连续。用稀疏/收缩先验约束过多变点是模型思想的一部分。本教具没有拟合变点,不拿手工折线冒充估计结果。容量约束的logistic趋势是另一种选项,需要有效cap等输入;也未运行。

周期项通常用傅里叶基:

s(t) = Σ_{n=1}^N [a_n cos(2πnt/P) + b_n sin(2πnt/P)]

P为周期长度,t与P必须同单位;N为谐波数,n为第n阶,a_n/b_n为待拟合系数。N大更灵活,也更容易过拟合。节日项可写h(t)=Σ_l κ_l·1{t属于事件l的窗口},κ_l是该窗口的效果,预测时必须知道窗口,而不是根据销量峰值事后补“节日”。

2. 14行算术示例

prophet_components.csv给14天明确设定的分量:g(t)=100+2t,s(t)=10sin(2πt/7),第7天h(t)=20,其他天0。因为这些系数是手工给定,所以输出是分解算术,不是Prophet预测。

  • 第1天:趋势102,周项约7.818315,节日0,总和109.818315。
  • 第7天:趋势114,周项0,节日20,总和134。
  • 第14天:趋势128,周项0,节日0,总和128。

14天只能展示两个完整的7天周期,不能据此声称识别年度季节性;也不能仅凭这张表估计可靠的节日效果和预测区间。

3. 与ETS、ARIMA、Croston/TSB放在同一比较台

方法主要建模对象本课需避免的误解
ETS随时间递推的水平、趋势、季节状态不是只能处理完全不变的均值
ARIMA/SARIMA差分后序列与误差的滞后依赖加入差分并不自动解决价格或政策因果变化
Prophet趋势、周期基函数、已知事件等结构分解不是“自动适用于所有季节”的黑箱;没有足够周期就无法可靠识别
Croston/TSB间歇非零需求的大小、间隔或发生概率不能把每日平滑预测误当每一天都会成交

统一回测接口应接受:已到达的训练表、forecast_origin、horizon、在原点已知的未来协变量,返回[sku,target_date,origin,model,prediction,optional_quantiles]。每个滚动原点只用该时点之前的数据重新fit或按预先固定规则更新;节日、预报、价格版本同样受available_at约束。对所有模型使用相同目标、原点、预测期、样本和指标,调参仅在训练/验证区段。

当前未安装Prophet,因此没有执行Prophet.fit、没有对它报告WAPE或区间覆盖、没有把上面的算术输出与已训练GBDT公平排名。真正加入对照需要安装兼容依赖、验证数据接口和模型收敛,并重新按同一回测协议运行;本课只闭合解释与算术层。

4. 学员验收

能按三分量算出134,解释γ_j为什么保证变点连续,指出周季节、年季节所需数据跨度不同,并区分手工分量、模型拟合、样本外评估与业务效果四层证据。看到库不可用就记录“未运行”,不能把固定公式输出改名为Prophet结果。

统一验收与适用边界

运行包测试涵盖公式重算、真实输入读取、时间切块、可得时间、lag/rolling一致、正价/非负计数、场景概率、非预知决策、库存与降价守恒、深度输入形状、未来特征拒绝、零向量、零权重、留出标签隔离和指标重算。verify_reproducibility.py在临时副本内重建,核对10个输入与2个确定性输出逐字节相同,并验证原始文件未被改变。

这些测试验证这个教学实现与输入合同,不证明模型面对真实业务已足够稳健。本包没有真实门店实验,没有部署、权限服务、自动审批、持续监控,也没有运行TFT、DeepAR、视觉编码器或Prophet。尚待更广验证的范围必须继续保留,不因页面出现某个模型名称就自动标成“全部完成”。

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。