隨著人工智能技術(shù)的飛速發(fā)展，AI工具在數(shù)據(jù)分析和預(yù)測(cè)領(lǐng)域的應(yīng)用越來(lái)越廣泛。本文作者通過(guò)實(shí)際操作，展示了如何利用DeepSeek這一AI工具，僅用31天的假訂單量數(shù)據(jù)，成功預(yù)測(cè)未來(lái)7天的訂單量。

Deepseek+數(shù)據(jù)分析師，這個(gè)組合有點(diǎn)王炸。

數(shù)據(jù)分析師、商業(yè)分析師常處理的經(jīng)營(yíng)情況分析、產(chǎn)品迭代分析、市場(chǎng)調(diào)研、規(guī)模預(yù)測(cè)等等這些工作，在deep seek的幫助下，一個(gè)人就是一個(gè)團(tuán)隊(duì)，大大提高了效率。以下是一個(gè)數(shù)據(jù)分析場(chǎng)景：未來(lái)趨勢(shì)預(yù)測(cè)。

什么場(chǎng)景下會(huì)用到時(shí)間序列分析

• 每年年末或年初，做預(yù)算規(guī)劃或目標(biāo)設(shè)定時(shí)，會(huì)根據(jù)歷史基線、增長(zhǎng)速度等給下一年定個(gè)目標(biāo)值。
• 或者需要根據(jù)季節(jié)性、周期性特點(diǎn)，以及短期內(nèi)的銷(xiāo)售情況，對(duì)未來(lái)庫(kù)存進(jìn)行預(yù)估，更及時(shí)地進(jìn)行備貨調(diào)整。
• 或者未來(lái)想開(kāi)拓一個(gè)新業(yè)務(wù)，預(yù)估未來(lái)市場(chǎng)有多大潛力空間。
• 又或者在推薦等模型優(yōu)化時(shí)將預(yù)測(cè)值作為輸入特征。

……

Deepseek生成的時(shí)間序列分析報(bào)告

抱著好奇心態(tài)，看看到底deep seek能解放我雙手多少，我給了它31天的假訂單量數(shù)據(jù)，讓它幫我預(yù)測(cè)未來(lái)7天的訂單量。經(jīng)過(guò)幾輪對(duì)話達(dá)到了基本要求，內(nèi)容如下：

時(shí)間序列模型原理

適用于中短期

1. 移動(dòng)平均

看公式很容易理解，間隔為n的時(shí)間窗口內(nèi)的平均值，該值可作為T(mén)+1的預(yù)估值，適用場(chǎng)景通常為趨勢(shì)穩(wěn)定的數(shù)據(jù)，如果數(shù)據(jù)有周期性，會(huì)出現(xiàn)預(yù)測(cè)峰谷值同實(shí)際錯(cuò)位的情況。

B端究竟需要什么样的产品经理？

B端产品经理都是以提升供应侧的工作效率为目的，所以B端需求主要是以业务问题为导向。 这个是B端产品比较重要的一点，B端产品是服务于一个主体 ...

查看详情 >

2. 簡(jiǎn)單指數(shù)平滑

y^為預(yù)測(cè)值，y為實(shí)際值，α為平滑系數(shù)，范圍（0，1），α越大近期更敏，感適合波動(dòng)較大的數(shù)據(jù)，反之越平滑適合穩(wěn)定趨勢(shì)。T+1的預(yù)測(cè)值，為t天實(shí)際值和預(yù)測(cè)值的加權(quán)所得。

3. Holt-Winters

包含水平平滑、趨勢(shì)平滑、季節(jié)性平滑。

水平平滑

趨勢(shì)平滑

季節(jié)性平滑

幾個(gè)參數(shù)：

• St：當(dāng)前季節(jié)分
• m：季節(jié)周期（如m=12為以月為周期，12個(gè)月為一個(gè)循環(huán)）
• α、β、γ分別為水平、趨勢(shì)、季節(jié)性平滑參數(shù)，范圍（0，1）
• h：步長(zhǎng)，預(yù)測(cè)是跨幾個(gè)步長(zhǎng)進(jìn)行預(yù)測(cè)，一般是1
• k=[(h-1)/m]+1

有點(diǎn)抽象，舉個(gè)例子說(shuō)明，假如如下對(duì)應(yīng)每個(gè)季度的商品銷(xiāo)售量，現(xiàn)在想要預(yù)測(cè)2025Q1(t=9)的銷(xiāo)量

假設(shè)參數(shù)設(shè)定：α=0.3（水平） β=0.2（趨勢(shì)） γ=0.1（季節(jié)性），季節(jié)周期：m=4

初始化預(yù)測(cè)參數(shù)：

• l4=（100+120+140+160）/4=130，即前4個(gè)季度的平均值，
• b4=平均季度增長(zhǎng)=[（120-100）+（140-120）+（160-140）]/3=6.67s1=100-130=-30，
• s2=120-130=-10，s3=140-130=10，s4=160-130=30

預(yù)測(cè)2024Q1(t=5)：y5預(yù)估=l4+b4+s5-4=130+6.67-30=106.67，實(shí)際y5=120更新預(yù)測(cè)參數(shù)，即t=5對(duì)應(yīng)的預(yù)估值，

• l5=0.3（120+30）+0.7（130+6.67）=140.67
• b5=0.2（140.67-130）+0.8*6.67=7.47
• s5=0.1（120-130-6.67）+0.9（-30）=-28.67

以此類(lèi)推，可得到y(tǒng)9預(yù)估值=l8+1*b8+s9-4*2=149.63

雖然手動(dòng)算麻煩一點(diǎn)，但以上這兩種方式，確實(shí)可以通過(guò)計(jì)算看到數(shù)據(jù)和趨勢(shì)變化如何產(chǎn)生。

適用于中長(zhǎng)期

接下來(lái)要聊的兩種方法，就不足以通過(guò)手動(dòng)計(jì)算了。4. ARIMA(p,d,q)。時(shí)間序列預(yù)測(cè)很古典和著名的方法。

模型是由三部分組成：

1）自回歸部分AR

p為參數(shù)，核心解決的是預(yù)測(cè)未來(lái)的數(shù)據(jù)，應(yīng)該選歷史多少個(gè)時(shí)間點(diǎn)的數(shù)據(jù)更好，最遠(yuǎn)的時(shí)間是t-p，因此p為參數(shù)。

2）移動(dòng)平均部分MA

q為參數(shù)，要解決的是y實(shí)際值和y預(yù)測(cè)值之間的差，選擇歷史上多少個(gè)時(shí)間點(diǎn)更好，最遠(yuǎn)時(shí)間為t-q，因此q為參數(shù)。

3）差分部分，d為參數(shù)，要解決的是 yt-yt-1這樣做幾階差分更好，為的是把非平穩(wěn)的數(shù)據(jù)轉(zhuǎn)換為平穩(wěn)數(shù)據(jù)。先通過(guò)ADF檢驗(yàn)對(duì)d進(jìn)行差分檢驗(yàn)（與統(tǒng)計(jì)臨界值對(duì)比），在通過(guò)ACF(自相關(guān)函數(shù))和PACF(偏自相關(guān)函數(shù))分別對(duì)p和q進(jìn)行檢驗(yàn)，通過(guò)AIC和BIC對(duì)模型復(fù)雜性評(píng)估后可得到更為合理的p、q值。

5. Prophet。時(shí)間序列進(jìn)化到Prophet，操作更友好了。

模型是由三個(gè)小模型組成：?t 為誤差項(xiàng)g(t)：增長(zhǎng)和分段線性模型（線性或者邏輯回歸函數(shù)）s(t)：周期性和季節(jié)性模型（正弦和余弦組合函數(shù)）h(t)：節(jié)假日或特殊事件模型（線性函數(shù)）該模型很好理解，且命中了趨勢(shì)預(yù)測(cè)里經(jīng)常要思考的幾個(gè)問(wèn)題：如果趨勢(shì)有上升和下降幾段趨勢(shì)怎么辦？周期性的數(shù)據(jù)并非完全自然周期怎么辦？遇上突發(fā)事件出現(xiàn)某個(gè)點(diǎn)異常怎么辦？過(guò)往的時(shí)間序列模型很難進(jìn)行擬合和描述，不過(guò)Prophet解決了這個(gè)問(wèn)題。這里對(duì)具體公式不詳細(xì)展開(kāi)，感興趣可在參考資料里了解，這里主要介紹模型參數(shù)的作用，對(duì)實(shí)操會(huì)更有幫助。

• growth（增長(zhǎng)函數(shù)類(lèi)型）：linear（默認(rèn)）：線性增長(zhǎng)，適用于無(wú)明確上限的趨勢(shì)（如銷(xiāo)售額），logistic：邏輯回歸增長(zhǎng)，適用于有增長(zhǎng)上限的場(chǎng)景（如用戶數(shù)）；
• changepoint_prior_scale（變點(diǎn)靈敏度）：0.001~0.5（默認(rèn) 0.05），若預(yù)測(cè)結(jié)果過(guò)于平滑（欠擬合）增大該值，若預(yù)測(cè)結(jié)果波動(dòng)劇烈（過(guò)擬合），減小該值；
• n_changepoints（變點(diǎn)數(shù)量）：25（均勻分布在時(shí)間序列前80%區(qū)間），越大將趨勢(shì)變化切分越多；
• seasonality_prior_scale（季節(jié)性強(qiáng)度）：0.01~10（默認(rèn)10），值越大季節(jié)性波動(dòng)越大；add_seasonality（傅里葉階數(shù)）：name=’yearly’, period=365.25, fourier_order=12，fourier_order越大階數(shù)越高擬合越復(fù)雜，name對(duì)應(yīng)的是yearly，weekly，daily或者命名一個(gè)，period寫(xiě)對(duì)應(yīng)周期；
• holidays_prior_scale（節(jié)假日效應(yīng)強(qiáng)度）：0.01~10（默認(rèn) 10），值越大節(jié)假日波動(dòng)越強(qiáng)。節(jié)假日窗口，比如雙11大促 :holidays_df = pd.DataFrame({‘holiday’: ‘promo’,’ds’: pd.to_datetime([‘2022-11-11’, ‘2023-11-11’, ‘2024-11-11′]),’lower_window’: -30, #雙11前30天’upper_window’: 2 #雙11后2天})

后邊也有新的升級(jí) Neural Prophet，如果感興趣也可以再查找了解。

如何評(píng)估模型效果

預(yù)測(cè)時(shí)數(shù)據(jù)會(huì)切分成兩部分，訓(xùn)練集和測(cè)試集，評(píng)估模型效果簡(jiǎn)單來(lái)講就是拿訓(xùn)練集得到模型，后再去預(yù)測(cè)測(cè)試集對(duì)應(yīng)的數(shù)值，把測(cè)試集的真實(shí)結(jié)果同預(yù)測(cè)結(jié)果比對(duì)，差異越小說(shuō)明預(yù)測(cè)越準(zhǔn)確，但也要兼顧魯棒性，注意不要過(guò)擬合。

幾個(gè)線性模型評(píng)價(jià)模型準(zhǔn)確度的指標(biāo)和計(jì)算公式如下，比較簡(jiǎn)單就不做過(guò)多解釋了。MAE 平均絕對(duì)誤差

RMSE 均方根誤差

MAPE 平均絕對(duì)百分比誤差（使用時(shí)不能有0，且去量綱可比較不同數(shù)據(jù)集）

參考資料

知乎文章 《時(shí)間序列原理篇之Facebook Prophet算法》

知乎文章《時(shí)間序列模型(四)：ARIMA模型》