Conformal TS Intervals（时序 Conformal 预测区间）

Skill-Conformal-TS-Intervals · 03-时间序列

experimentforecasting供应链与补货WF-A 智能补货

业务视角

适用角色供应链负责人 / 采购负责人 · 运营负责人 · 财务负责人

适用平台Amazon FBA · 海外仓 · 多市场多仓

什么情况下用大促前备货总是不是多了就是少了；新品上线第一个月断货，再补又积压；年底预算不知道各月目标怎么定

成功是什么样的提前 4-8 周准确预判各 SKU 需求峰值，库存积压减少 30%，断货率降低 50%

业务痛点

备货总是压货或断货旺季淡季波动太大预测不准补货周期 30 天但预测只看 7 天

1. 解决的问题

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。

2. 核心算法逻辑

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。

3. 业务应用场景

吸奶器月度需求预测 1200±200 → Conformal 给出更紧的区间：1050-1350（90% 覆盖率）。相比正态假设区间（950-1450），紧 25%。用于安全库存设定：减少过度备货 $500/月。

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

未自动抽取；请查看原始 Skill 卡片。

7. 代码模板

代码块数量：1 · 路径：未检测到

import numpy as np

def conformal_ts_interval(y_train, y_pred, alpha=0.1):
    residuals = np.abs(y_train - y_pred)
    q = np.quantile(residuals, 1 - alpha)
    return lambda pred: (pred - q, pred + q)

y_train = np.array([100,110,95,120,130,115,105,125])
y_pred_train = np.array([98,108,100,118,128,112,110,122])
interval_fn = conformal_ts_interval(y_train, y_pred_train)
lo, hi = interval_fn(125)
print(f"90% Interval: [{lo:.0f}, {hi:.0f}]")
print("[✓] Conformal TS 测试通过")

8. 论文来源

未自动抽取；请查看原始 Skill 卡片。