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
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–E03 | three_products.csv、elasticity_truth.json | 1,008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.csv | Bellman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、G08 | tree_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、C07 | deep_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-decomposition | Prophet中的趋势、季节、事件是什么? | A04 | prophet_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_tg(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_jk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。