AI时间序列预测在商业中的应用：需求、收入与库存预测

为什么传统预测方法不够用

大多数企业仍依赖Excel趋势线、移动平均或简单指数平滑。这些方法在以下场景中表现不佳：

存在多重季节性模式（日、周、年）

外部变量影响结果（节假日、促销、天气）

商业模式发生变化（COVID打乱所有2020年前的模型）

数据不规则或存在缺失值

AI预测能够应对所有这些挑战，同时显著提升准确率。

现代预测方法

Neural Prophet（Facebook Prophet + 神经网络）

python
from neuralprophet import NeuralProphet
import pandas as pd
加载业务数据
df = pd.read_csv('daily_sales.csv')
df.columns = ['ds', 'y']  # NeuralProphet格式
配置模型
model = NeuralProphet(
    # 季节性成分
    yearly_seasonality=True,
    weekly_seasonality=True,
    daily_seasonality=False,
    
    # 趋势建模
    trend_reg=0.1,  # 正则化
    
    # 神经网络组件
    n_lags=30,        # 使用过去30天作为输入
    n_forecasts=14,   # 预测未来14天
    
    # 训练
    batch_size=64,
    epochs=50
)
添加节假日和事件
model.add_country_holidays(country_name='US')
添加自定义事件（产品发布、促销）
events_df = pd.DataFrame({
    'event': 'black_friday',
    'ds': ['2023-11-24', '2024-11-29']
})
model.add_events(['black_friday'])
训练
metrics = model.fit(df, freq='D', events_df=events_df)
预测
future = model.make_future_dataframe(df, n_historic_predictions=True, periods=30)
forecast = model.predict(future)
print(f"MAPE: {metrics['MAE'].mean():.2f}")

N-BEATS 和 N-HiTS（最先进的深度学习）

python
from neuralforecast import NeuralForecast
from neuralforecast.models import NHITS, NBEATS, PatchTST
定义模型
models = [
    NHITS(
        h=14,              # 预测范围
        input_size=60,     # 上下文窗口
        max_steps=1000,
        scaler_type='standard'
    ),
    NBEATS(
        h=14,
        input_size=60,
        max_steps=1000
    ),
    PatchTST(
        h=14,
        input_size=512,    # 长上下文窗口
        patch_len=16,
        max_steps=1000
    )
]
nf = NeuralForecast(models=models, freq='D')
nf.fit(df)
集成预测（优于任何单一模型）
predictions = nf.predict()

大规模需求预测

层次化预测

python
from hierarchicalforecast.core import HierarchicalReconciliation
from hierarchicalforecast.methods import MinTrace
同时预测所有层级：
总计 → 区域 → 州 → 城市 → 门店 → 产品
def hierarchical_demand_forecast(df, hierarchy_spec, h=30):
    """
    确保自上而下的一致性：门店预测之和 = 区域预测
    """
    # 在每个层级生成基础预测
    base_forecasts = {}
    for level in hierarchy_spec:
        level_data = df.groupby([level, 'ds'])['y'].sum().reset_index()
        model = NeuralProphet(n_forecasts=h)
        model.fit(level_data)
        base_forecasts[level] = model.predict(...)
    
    # 使用MinTrace进行协调（最优协调）
    hrec = HierarchicalReconciliation(reconcilers=[MinTrace(method='mint_shrink')])
    reconciled = hrec.reconcile(base_forecasts, hierarchy_spec)
    
    return reconciled
结果：每个层级预测值正确求和

概率预测

python
from statsforecast import StatsForecast
from statsforecast.models import AutoARIMA, AutoETS, AutoCES
def probabilistic_forecast(df, h=30, confidence_levels=[80, 95]):
    """
    返回预测区间，而不仅仅是点预测
    对库存规划至关重要（需要给定置信度下的安全库存）
    """
    models = [
        AutoARIMA(season_length=7),
        AutoETS(season_length=7),
        AutoCES(season_length=7)
    ]
    
    sf = StatsForecast(models=models, freq='D', n_jobs=-1)
    sf.fit(df)
    
    forecast_df = sf.predict(h=h, level=confidence_levels)
    
    # 输出包含：
    # 'AutoARIMA', 'AutoARIMA-lo-80', 'AutoARIMA-hi-80'
    # 'AutoARIMA-lo-95', 'AutoARIMA-hi-95'
    
    return forecast_df

收入预测

多变量收入模型

python
import xgboost as xgb
from sklearn.preprocessing import LabelEncoder
def build_revenue_forecast_model(df: pd.DataFrame) -> dict:
    """
    梯度提升模型，融合多种业务信号
    """
    # 特征工程
    df['month'] = df['date'].dt.month
    df['quarter'] = df['date'].dt.quarter
    df['day_of_week'] = df['date'].dt.dayofweek
    df['is_weekend'] = df['day_of_week'].isin([5, 6]).astype(int)
    
    # 滞后特征
    for lag in [7, 14, 30, 90]:
        df[f'revenue_lag_{lag}'] = df['revenue'].shift(lag)
    
    # 滚动特征
    for window in [7, 30, 90]:
        df[f'revenue_rolling_mean_{window}'] = df['revenue'].rolling(window).mean()
        df[f'revenue_rolling_std_{window}'] = df['revenue'].rolling(window).std()
    
    # 外部变量
    features = [
        'month', 'quarter', 'day_of_week', 'is_weekend',
        'marketing_spend', 'num_new_customers', 'avg_order_value',
        'customer_churn_rate', 'nps_score',
        *[f'revenue_lag_{l}' for l in [7, 14, 30, 90]],
        *[f'revenue_rolling_mean_{w}' for w in [7, 30, 90]],
        *[f'revenue_rolling_std_{w}' for w in [7, 30, 90]]
    ]
    
    model = xgb.XGBRegressor(
        n_estimators=500,
        learning_rate=0.05,
        max_depth=6,
        subsample=0.8
    )
    
    model.fit(
        df[features].dropna(),
        df['revenue'].iloc[len(df) - len(df[features].dropna()):]
    )
    
    return {'model': model, 'features': features, 'importance': model.feature_importances_}

时间序列异常检测

python
from merlion.models.anomaly import IsolationForest
from merlion.post_process.threshold import AggregateAlerts
def detect_metric_anomalies(time_series: pd.DataFrame) -> list:
    """
    检测业务指标中的异常
    应用场景：收入下降、流量激增、库存短缺
    """
    model = IsolationForest(IsolationForestConfig(
        n_estimators=100,
        n_past=100  # 上下文窗口
    ))
    
    model.train(time_series)
    anomaly_score = model.get_anomaly_score(time_series)
    
    # 应用阈值获取二值异常标签
    threshold = AggregateAlerts(AggregateAlertsConfig(count=3, lookback=5))
    anomaly_labels = threshold(anomaly_score)
    
    # 返回异常时间戳及严重程度
    return [
        {'timestamp': ts, 'severity': score}
        for ts, score in zip(anomaly_labels.index, anomaly_labels.values)
        if score > 0
    ]

工具与框架

框架最佳用途

NeuralProphet含事件/回归变量的业务预测 NeuralForecast深度学习模型（N-BEATS, N-HiTS） StatsForecast快速统计基线模型 Merlion时间序列异常检测 Darts统一预测API GluonTS概率预测

关键要点

AI预测相比传统统计方法可将MAPE降低20-50%

层次化预测确保组织各层级的一致性

概率预测提供置信区间，对库存决策至关重要

滞后特征和滚动统计是业务时间序列最重要的特征

在声称改进之前，始终将AI模型与简单基线进行对比