不训练,直接预测
TimesFM 2.5 是谷歌做的时间序列预测模型:你把一段历史数字喂给它,它直接算出未来,不用先拿你的数据训练它。
过去要预测销量,你得先用自己几年的历史数据训练一个模型、调好参数,才能用。TimesFM 走的是另一条路:模型早就训练好了,你只管把数字递进去,它当场给结果。这种'拿现成模型直接干活、不为你的数据额外训练'的做法,业内叫 zero-shot(零样本)。
这跟你用 ChatGPT 是一个道理:你不会为了问一个问题先去训练它,你打字,它回答。TimesFM 把这套搬到了数字上——你给它过去 1200 天的门店销量,它给你未来 56 天的曲线。这篇教程就是拿 6 家虚拟门店的日销量,一步步演示怎么用它。
给的是范围,不是一个数
它不只给一个预测值,还给出未来每天可能的波动范围,让你一眼看出这个预测有多不靠谱。
普通预测给你一条线:明天卖 300 件。可现实哪有这么确定。TimesFM 每天同时给你一组数字:最可能的中位数,加上一条从'偏低'到'偏高'的带子,告诉你'八成情况会落在这个区间里'。这条带子越往未来越宽——因为越远越难说准。
这组 分位数(把可能结果从低到高切成几档)画出来,就是那种越铺越开的'喇叭形'扇面。带子窄,说明模型有把握;带子宽,说明它自己也拿不准。对要备货、要留余量的人来说,这比一个孤零零的数字有用得多。
准不准,得和笨办法比
判断预测好坏,不是看曲线画得像不像,而是拿它跟'照抄上周'这种最笨的办法比,还要在多个历史时间点反复回测。
一条预测曲线看着贴合,不代表它有用。衡量标准是:你有没有赢过一个连模型都算不上的笨办法——把上一周的数字原样照抄到下一周。这个笨办法叫 季节性朴素法(假设下周和上周长得一模一样)。教程用一个叫 MASE 的分数来判:小于 1,你赢了照抄;大于 1,还不如照抄。
只比一次不算数。作者用了 rolling backtest(滚动回测)(把历史切成好几个时间点,每个点都当作'现在'重新预测一遍),这样才知道模型是稳定地好,还是碰巧蒙对一次。他还试了喂多长的历史最划算——历史越长不一定越准,却一定越慢越贵。
把促销天气一起喂进去
除了历史销量,你还能把价格、促销、假日、天气这些额外线索一起喂进去;尤其当你提前知道未来要搞促销,预测会跟着抬高。
光看销量历史,模型不知道下周要打折。TimesFM 允许你附带一堆'外部变量':当天价格、有没有促销、是不是假日、气温高低,甚至门店在哪个区。这些 协变量(会影响销量的其他因素)里,有些你对未来是知道的——比如促销日期是自己定的。把这些'已知的未来'告诉模型,它就能提前把那几天的销量抬上去。
教程对比了加不加这些线索的预测,并在图上把促销日标出来,能看到加了线索的预测在促销那几天更贴合真实的跳升。代价是配置更麻烦:这些外部变量必须覆盖到你要预测的整个未来区间,少一天都不行。
顺手把异常也抓了
既然模型已经给出'正常范围',凡是超出范围的真实值就能自动标成警告或严重异常——等于白送一个异常监控器。
这是整套流程里最实用的一招。模型每天都给了一个'正常应该落在哪'的区间;那把真实发生的数字拿来逐天比对,凡是冒出区间的,就是异常。稍微出界叫警告,离谱出界叫严重。销量突然翻倍、门店当天挂零、连着几天不正常——都能被标出来。
为了验证,作者故意往数据里塞了几处假异常:某天销量乘 1.9(暴涨)、某天砍到原来的 0.35(暴跌)、连续五天抬高 1.5 倍(持续偏移)。模型把这些人为制造的异常大都逮住了。也就是说,你不用再单独搭一套监控系统,预测模型顺带就干了这活。
流程漂亮,数据是假的
这套端到端流程确实完整、可直接套用;但要留神:文中所有'预测得准'的结论,都建立在作者自己生成的、规律很干净的假数据上。
先说好的一面:这篇教程把预测该有的严谨环节都做全了——给不确定范围、和笨办法比、多点回测、控制成本,还做了异常检测和健壮性测试(缺数据、历史太短、输入被意外改动都试了一遍)。这套骨架搬到真实项目里是站得住的。
但要清醒:整篇文章用的不是任何真实销量,而是作者用公式手工合成的数据——趋势、周节律、年节律、促销、假日全是按干净规则生成的,而 TimesFM 恰好最擅长这种规律分明的序列。真实世界的数据脏、有断档、忽长忽短、还会冒出模型没见过的突变,那才是真正的考验。
教程也埋了几个务实的坑提醒你:预测函数会偷偷改动你传进去的原始列表(得传一份副本);会算出负数的指标,别开'强制为正'那个开关。这些细节说明它面向真实部署,但它到底在你自己的数据上有多准,教程没法替你回答。