本文目录
数学桥梁:把预测公式算明白
全文共 6190 字,阅读约需 13 分钟
从两个模拟案例出发,逐步读懂预测时点、加权平均、误差、条件概率与logit,附可复现的数学练习包。

预测表上写着“明天需要12.6公斤”,订单看板上写着“预计留下24.3单”。前一个数可以是连续重量,后一个数却不可能成为实际订单数。这两个小数并不矛盾:它们回答的问题不同。
在学习复杂模型前,我们先把这样的数字读懂。本文是供应链预测与计划专题的第一篇,依据教程站的“数学桥梁”课重新组织为独立博客文章。先用计算器手算,再用下载包核对;没有编程经验也能完成前七节。
以下企业、日期、需求、预测和订单记录均为教学模拟。 禾味是虚构餐饮连锁,本篇只取A店鸡腿肉SKU01;匿名服装只是虚构的服装电商场景,取S01-M规格的一批订单。没有真实客户、真实订单或真实经营成果。三天数据不是此前D9—D13实验数据的截取,也没有训练或评选模型。
1 先把一句预测拆成四个问题
“预计14”还不够。我们至少要说明:哪个对象、什么单位、预测哪一天,以及什么时候做出的预测。
设禾味A店鸡腿肉在11月1、2、3日的实际日需求分别为10、12、14公斤。假设这三天没有缺货、没有漏记,当天日终数据已经可用,因此本例可以把记录量当作需求;现实若只能看到受缺货限制的销量,要先处理这个差别。
| 符号 | 读法 | 本文的含义和单位 |
|---|---|---|
t | 第t天 | 日期位置,不是数量;t=3对应11月3日 |
yₜ | y下标t | 第t天整天的实际需求,单位公斤 |
ŷₜ | y帽子下标t | 对第t天的预测需求,单位公斤;单独写它尚未说明发布时间 |
T | 预测起点 | 本例按某天日终定义的信息截止时点 |
h | 提前的天数 | 正整数;h=2表示提前两天 |
ŷ(T+h|T) | 在T时点预测T加h | 左边是目标日期,竖线右边是预测起点;数值单位仍是公斤 |
下标是标签。y₃=14表示第三天需求14公斤,绝不是y乘3。帽子表示“预测值”,并不表示这个数字已经实现。我们每天记录一次,所以称为日序列;每行是当天总公斤数,三天相加得到三天的总公斤数。
若T是11月6日日终,h=5,目标就是11月11日整天。此时可以使用已发布的11月11日天气预报,却不能使用11月11日结束后才得到的实际温度。同一目标日也可能有多个预测版本,必须保留各自起点。竖线在这里标记信息截止点,不是除号。
再区分四个经常混用的词。设我们暂时写出一个教学规则:
ŷ = a + b × x这里x是截单时已知的次日预订份数,称为特征,单位份;ŷ是要输出的鸡腿肉需求预测,单位公斤;真正要预测的实际需求y叫目标。a、b是规则中的参数:a的单位是公斤,b的单位是公斤/份。例如暂定a=2、b=0.1,x=100时,预测=2+0.1×100=12公斤。数值仅为说明单位,没有拟合依据。
“门店A+SKU01”叫序列键,用于区分这条日记录属于谁。门店B的同一商品是另一条序列。一个特征可以对应两个参数a和b;很多条序列也可以共用一个模型。特征数量、参数数量、序列数量不是同一回事。
2 禾味案例:把三天需求压缩成一个数
三天实际需求是10、12、14公斤。若只用一个数概括它们,最直接的方法是平均。
Σ 从 t=1 加到 t=3 的 yₜ = y₁ + y₂ + y₃
= 10 + 12 + 14 = 36 公斤
ȳ = (Σyₜ) ÷ n = 36 ÷ 3 = 12 公斤Σ读作“求和”,相当于一个加号清单;“从t=1加到t=3”指定加哪些天。n是记录个数,这里是3;ȳ读作y上横线,表示平均数。36是三天合计,12是每个日记录的平均数量。若把12用作次日预测,这只是一个候选规则,不能因算对平均值就称它预测准确。
若认为最近一天更值得参考,可以先约定权重为0.2、0.3、0.5,再按日期顺序相乘相加:
加权平均 = 0.2×10 + 0.3×12 + 0.5×14
= 2 + 3.6 + 7
= 12.6 公斤权重没有单位,三者都不小于0,且合计为1。最后一天14公斤获得50%的权重,所以结果比普通平均12更接近14。它仍在最小值10和最大值14之间。权重更大只表示规则更重视这一天,不表示这一天的数据更真实。
这组权重是教学预设。真实任务需要在开发阶段用验证数据比较候选,再固定规则到测试段评价;看过测试成绩后反复改权重,会让测试段参与选择。
两条快速检查很有用。第一,把每个实际值都加5,数据变为15、17、19:普通平均应为17,加权平均应为17.6,均比原来多5。第二,把公斤换成克,所有数量乘1000,均值也必须乘1000。不要把公斤和件放进同一个平均数。
3 预测错多少:负号、绝对值、平方根分别做什么
现在给三天配上提前一天发出的模拟预测:11、11、13公斤。它们只用于核对算法,不是上节均值规则在同三天拟合出的预测。
下表可在手机上横向滑动,逐列核对计算。
| 目标日 | 预测起点(日终) | 实际y(公斤) | 预测ŷ(公斤) | e=y−ŷ(公斤) | |e|(公斤) | e²(公斤²) |
|---|---|---|---|---|---|---|
| 11月1日 | 10月31日 | 10 | 11 | −1 | 1 | 1 |
| 11月2日 | 11月1日 | 12 | 11 | 1 | 1 | 1 |
| 11月3日 | 11月2日 | 14 | 13 | 1 | 1 | 1 |
e在本节表示误差,约定为实际减预测。负数代表预测偏高,正数代表预测偏低。实际10、预测11,e=−1,就是多预测了1公斤。
|e|是绝对值,把负号去掉,只问差距多大。MAE是“平均绝对误差”的缩写:
MAE = (|e₁| + |e₂| + |e₃|) ÷ n
= (1 + 1 + 1) ÷ 3 = 1 公斤e²表示e乘自己。RMSE是“均方根误差”:先平方,再平均,最后开平方。
RMSE = √[(e₁² + e₂² + e₃²) ÷ n]
= √[(1 + 1 + 1) ÷ 3] = 1 公斤√表示非负平方根,例如√9=3,因为3×3=9。平方把单位变成公斤²,开方再回到公斤,因此RMSE能与原数量放在同一种单位下理解。
这组数据恰好使两种指标相同,不代表两种指标永远一样。再看两个模拟误差−3和1公斤:绝对值为3和1,所以MAE=(3+1)÷2=2公斤;平方为9和1,所以RMSE=√[(9+1)÷2]=√5≈2.236公斤。大误差平方后的影响更强。符号≈表示约等于,这里对结果作四舍五入,代码保留更多精度。
误差的平均数则为(−3+1)÷2=−1公斤,回答的是方向偏差。正负误差会抵消,它不能代替MAE。这些误差定义与FPP3第5章的预测评价说明一致;这里的三天演算只验证计算,不构成未来准确率证据。
4 标准差不是预测误差
回到实际需求10、12、14公斤,暂时不看任何预测。均值是12,各点偏离均值分别为−2、0、2公斤。
偏离平方:(-2)² = 4;0² = 0;2² = 4
平方合计:4 + 0 + 4 = 8 公斤²
总体方差:8 ÷ 3 ≈ 2.666667 公斤²
总体标准差:√(8 ÷ 3) ≈ 1.632993 公斤本段把三天当作要描述的完整集合,所以分母为n=3。“方差”是平方偏离的平均;“标准差”是方差的非负平方根。它描述这三个实际值有多分散,不需要输入预测值。上节MAE=1和RMSE=1描述的则是那三个预测有多偏离实际。
若把三天当作更大总体的一份样本,常用的样本方差分母为n−1:8÷(3−1)=4公斤²,样本标准差为√4=2公斤。直观上,均值已经由这批样本估计,偏离值加起来固定为0,最后一个偏离不能独立变化,所以估计总体方差时要作自由度修正。只有一个观测时,n−1=0,样本标准差不能照算。
n−1的修正针对常规抽样条件下的总体方差估计,不会让三天相关的时间序列自动成为有代表性的随机样本,也不会给出明天的风险范围。作业应写“总体标准差”或“样本标准差”,不要只留下一个没有口径的“波动”。
5 匿名服装案例:第二天的10%,分母为什么变了
匿名服装S01-M的一个模拟批次起初有100单,每单1件。为把分母看清,这两天没有新增订单、发货或观察中断;只观察整单取消,取消后不再回来。
| 天数 | 当天开始仍有效的订单 | 当天取消 | 当天结束仍有效 | 当天条件取消率 |
|---|---|---|---|---|
| 第1天 | 100单 | 10单 | 90单 | 10÷100=10% |
| 第2天 | 90单 | 9单 | 81单 | 9÷90=10% |
“风险集”在这里就是当天开始仍可能取消的订单。已经取消的10单不能在第二天再取消,所以第二天分母必须是90。9÷100=9%也能计算,但它回答“第二天取消占最初批次多少”,不是当天条件取消率。
概率用0到1表示,10%=0.1;写成10再代入会错100倍。P(A|B)表示条件B已成立时,事件A发生的概率。令B为“活过第1天”,A为“活过第2天”;如果对新批次采用同样的教学条件概率,那么:
第1天留存概率 = 1 − 0.1 = 0.9
第2天给定活过第1天后的留存概率 = 1 − 0.1 = 0.9
两天留存概率 = 0.9 × 0.9 = 0.81 = 81%第二个0.9本来就是条件概率,乘法不需要假设两天取消事件独立。旧批次确实留下81单,这是100−10−9得到的观测结果;对新批次采用81%是另一个假设,不能因为旧批次算得出81,就断言所有新批次都会如此。
“期望”描述在相同概率设定下反复出现时的平均数量。用N表示新批次初始单量,用p表示每单两天留存的概率,用R表示最终留下的随机订单数,便有:
E(R) = N × p = 30 × 0.81 = 24.3 单E是期望符号,括号内R是我们关心的随机数量。这里假定每单都适用p=0.81;把各单留存指示的期望相加即可得到24.3,不要求订单之间独立。若要进一步计算波动、缺货概率等,单有这个均值还不够,需要更多分布与相关性假设。
实际留存只能是0到30之间的整数。24.3不是24.3张订单,更不是直接采购24.3件的指令。是否备24件、25件或更多,要结合可用库存、交期、取消与退货时点、缺货损失和服务要求决定。本文不根据期望擅自给出备货量。发货、删失和部分取消也没有在这个两天小表中建模。
6 函数与对数:先顺着算,再反着问
函数可以先理解成一条输入输出规则。f(x)=2x+3表示输入x后,先乘2再加3;输入4,输出f(4)=2×4+3=11。这个纯数字例子没有业务单位;如果用于业务,等号两边就要像第1节那样检查单位。
平方和指数也只是乘法的缩写。x²=x×x,2³=2×2×2=8。对数反过来提问:底数2要乘自己多少次,才得到8? 答案是3,写作log₂8=3。下标2在这里指定对数底数,不是时间下标;要结合符号上下文读。
自然对数ln把底数固定为常数e,e约为2.718。这个e是数学常数,与第3节的误差e含义不同。exp(z)就是e的z次方;计算器上的ln与exp互为反向操作。
ln(1) = 0 因为 e⁰ = 1
ln(e) = 1 因为 e¹ = e
ln(4) ≈ 1.386294 用计算器求出
exp(ln(4)) = 4实数范围内,ln的输入必须大于0。零销量不能直接取ln,负销量也不能;它们需要重新检查业务定义或选择其他变换。对带单位的量做对数时,还应明确参考单位,例如ln(需求÷1公斤),让输入成为无单位比值。不能悄悄给零加一个数,然后声称问题已经解决。
7 从概率到分数,再从分数回到概率
在取消或留存模型中,经常见到logit。这不是另一个百分比,而是把0到1之间的概率转为实数分数的函数:
logit(p) = ln[p ÷ (1−p)]p是无单位概率,必须满足0<p<1;1−p是相反结果的概率;p÷(1−p)叫赔率,比较“发生”与“不发生”。赔率不是概率:80%对应赔率4,不能把4当作400%的概率。
先取p=0.5:1−p=0.5;赔率=0.5÷0.5=1;logit=ln1=0。再取p=0.8:1−p=0.2;赔率=0.8÷0.2=4;logit=ln4≈1.386294。这里0.8只是函数演示值,不是第5节两天留存的0.81,也不是训练得到的取消预测。
反方向把无单位分数z转回概率,使用:
p = 1 ÷ [1 + exp(−z)]当z=0,exp(−z)=1,所以p=1÷2=0.5。当z=ln4,exp(−z)=1÷4,所以p=1÷(1+1/4)=0.8。这个反函数常叫logistic函数或sigmoid函数。
p=0或1时,不能直接代入有限实数logit公式:前者涉及ln0,后者分母为0。数学上,任意有限z的sigmoid结果严格在0与1之间;计算机精度有限,极大或极小z可能舍入为1或0,代码要避免指数溢出,但这不意味着业务事件已经绝对确定。statsmodels的Logit官方说明列出了链接及反链接,并说明其软件实现会处理数值端点;本篇练习选择对非法logit输入直接报错。
logistic回归还需要从数据中学习产生z的参数。本文只算函数,没有训练分类器,也没有检验概率是否校准。它与后续可能学习的Cox生存模型不是同一个模型。
8 动手:把“看懂”变成可检查的结果
下载练习包,解压到独立文件夹。需要Python 3.10或更高版本,不用安装第三方库;macOS/Linux终端可使用python3,Windows可将命令中的python3替换为py。先进入解压后包含run.py的目录,再运行:
python3 run.py
python3 -m unittest -v输入CSV使用UTF-8。包内README列出数据字段、命令和输出位置;请先保留原文件,再复制一份做改动。原始输出应对应本文的12、12.6、MAE=1、RMSE=1、总体标准差约1.632993、样本标准差2、两天留存0.81,以及新30单期望24.3。浮点结果可有末尾舍入差异,不要用字符串完全相等判断根号与对数。
这份练习包有明确的输入范围:实际需求与预测只能为0至100万公斤内的0.001公斤整数倍;权重只能为0至1内的百万分之一整数倍,且精确合计为1。程序先按十进制文本核验,再转成整数克和整数权重计算,避免相近大数相减或极小数运算失真。超出范围、精度不符或CSV引号不完整都报错退出,不做隐式四舍五入;真实零值正常接受。这个教学输入范围不改变前文的数学定义,输出均值也不强制截成三位小数。
先不看答案,完成四项练习:
- 手工建一张math_checks.csv,包含actual、forecast、error、abs_error、squared_error五列。用实际[10,12,14]与预测[11,11,13]填写,再与脚本输出核对。
- 把实际和预测各自都加5。预期均值与加权平均加5,三个误差、MAE、RMSE和两种标准差保持不变。说明为什么“只改实际”不能得到同样结论。
- 在原服装表上算出第二天9÷90与9÷100的两个结果,并分别写一句话描述它们的分母;再设第三天从81单中取消9单,手算第三天条件取消率9÷81≈11.111%,累计留存72÷100=72%。第三天只是扩展手算,不冒充原两天输入的一部分。
- 算logit(0.5)、logit(0.8),再用反函数回算。试着输入0、1和1.2,解释为什么练习程序应拒绝,而不是返回一个可用于业务的分数。最后写一句“预计24.3单不能直接变成备货24.3件”的原因。
第4项可在同一个解压目录运行下面的命令,直接调用练习包里的函数;三种非法输入都应显示拒绝:
python3 -c "from run import logit, sigmoid; print(logit(0.5), logit(0.8), sigmoid(logit(0.8)))"
python3 check_logit_inputs.py第一行应输出约0.0 1.3862943611198908 0.8;第二行逐个检查0、1和1.2。
验收时不要只检查程序退出成功:必须能解释误差正负,声明标准差分母,认出条件概率的风险集,并区分观测结果、概率假设和实际决策。程序会检查格式与数值边界,但不能替你确认真实业务数据是否符合这些假设。
这一篇到这里就够了。带着你的手算表,可以继续读D9的季节性朴素基线,或者在D12中比较误差与偏差。如果读到一个预测数字时,已经会追问“哪个对象、什么单位、站在哪一天、用什么数据”,后面的模型就有了落脚点。
下载与来源
教程来源为预测课堂“数学桥梁”。本文保持该课的五组数学主题及微型作业方向,另行组织双案例、单位说明和练习,不把教程整页复制为博客。教材与官方定义链接已放在对应段落;全部示例数值为本文教学设定或明确列出的手算结果。



