Demand forecasting, conformal prediction, LLM forecasting
03-时间序列
平台在大促期对核心母婴 SKU(纸尿裤、婴儿车)做搜索权重提升 + 首页 Banner 曝光,需要回答"如果没做促销,需求应该是多少"——避免把自然增长功劳归到促销 - 数据要求:全品类销量历史 + 促销标记 + 商品图谱(同类竞品关系) - GCF 配置:节点=SKU,边=同品类竞品,干预=促销曝光,合成控制=未受促销的同类 - 业务价值:促销 ROI 计算精度提升 30-50%,避免
03-时间序列
传统需求预测只给点估计（"下月卖 1000 件"），业务需要区间估计（"95% 置信区间: 850-1200 件"）。Conformal Prediction 提供分布无关的、有限样本有效的预测区间，无需假设误差分布。
03-时间序列
为时序预测的每个时间步生成分布无关的预测区间。EnbPI (Ensemble Batch Prediction Intervals)：用 Bootstrap 集成 + Conformal 残差构建适应时序依赖的预测区间。
03-时间序列
标准共形预测（Conformal Prediction）要求数据可交换性（exchangeability）：校准集和测试集的样本可以任意排列而不影响分布。但时间序列违反这个假设——序列存在自相关性，昨天的销量影响今天的需求。
03-时间序列
某母婴品牌618大促备货奶粉 SKU（如 A2 奶粉 900g），需提前 7 天向供应商下 PO
03-时间序列
打通需求预测和库存决策——不是先预测再独立决策，而是将预测不确定性直接编码为库存策略参数。核心：服务水平优化——给定预测分布 $N(\hat{\mu}, \hat{\sigma})$，安全库存 $SS = z_\alpha \cdot \hat{\sigma} \cdot \sqrt{LT}$，其中 $z_\alpha$ 由缺货成本 vs 持有成本决定。
03-时间序列
Momcozy 60+ SKU × 多仓(上海/香港/海外仓) × 多市场(US/DE/JP),各层独立预测加总 30-50% 不一致;采购按 SKU 下单,但财务按市场聚合,两边数字对不上,月底对账 2-3 PM 天纯人工调和 - 数据要求:历史 SKU/仓/市场 三层销售时序 + 加总矩阵 S - HiFoReAd 配置: - Stage 1: LGBM + AutoETS 三月预测
03-时间序列
我们计划在北美市场投放吸奶器季节性促销活动（如母亲节、黑五）
03-时间序列
多个时序共享长期均衡关系（如吸奶器销量←→配件销量）。Johansen 协整检验确定协整向量数量，VECM 建模短期动态调整 + 长期均衡约束。$\Delta Y_t = \Pi Y_{t-1} + \sum \Gamma_i \Delta Y_{t-i} + \epsilon_t$，其中 $\Pi = \alpha\beta'$（$\beta$ 是协整向量，$\alpha$ 是调整速度）。
03-时间序列
业务时序数据充满"人造季节性"——黑五、Prime Day、圣诞促销让销量暴涨，春节让物流停滞。
03-时间序列
传统需求预测依赖离线批处理（T-1 日数据训练，次日生效预测），对突发事件（爆品上线、竞品大促、舆情事件）响应迟滞 12-24 小时。
03-时间序列
核心思想：TFT 是一种专为多水平时间序列预测设计的深度学习架构，能够同时处理静态特征（如产品类别）、时变已知特征（如节假日）和时变未知特征（如历史销量），并提供可解释的预测结果。
03-时间序列
母婴出海电商的关键指标（GMV、订单量、转化率、退货率）时刻波动。
03-时间序列
基于历史销售数据，预测未来一段时间的需求量，从而指导备货、定价和供应链决策。
03-时间序列
如何让 LLM 的世界知识真正改善时间序列预测，而不仅仅是把数值序列塞进 Prompt 让 LLM 凑答案。