⚡

时间序列预测器 time-series-forecaster

时间序列预测器是一个用于业务指标预测和需求规划的AI技能工具。它整合了经典统计方法（如ARIMA、ETS）、机器学习（如XGBoost、LightGBM）和深度学习（如Prophet、N-BEATS）等多种模型，支持自动模型选择、集成预测、不确定性量化和季节性分解。该技能适用于销售预测、库存管理、财务规划等商业场景，帮助企业进行数据驱动的决策。关键词：时间序列预测，业务指标预测，需求规划，ARIMA，Prophet，机器学习预测，深度学习预测，季节性分析，预测区间，商业智能。

预测建模 0 次安装 0 次浏览 更新于 2/25/2026

name: time-series-forecaster description: 用于业务指标预测和需求规划的时间序列预测技能 alowed-tools:

  • Read
  • Write
  • Glob
  • Grep
  • Bash metadata: specialization: 决策智能 domain: 商业 category: 预测 priority: medium shared-candidate: true tools-libraries:
    • prophet
    • statsforecast
    • darts
    • sktime
    • nixtla

时间序列预测器

概述

时间序列预测器技能提供全面的能力，用于使用经典统计方法、机器学习和深度学习方法预测业务指标随时间的变化。它支持自动模型选择、集成预测和不确定性量化，以实现稳健的业务规划。

能力

  • 经典方法（ARIMA、ETS、Theta）
  • 机器学习方法（用于时间序列的XGBoost、LightGBM）
  • 深度学习方法（Prophet、N-BEATS、时序融合变换器）
  • 集成预测
  • 预测区间生成
  • 预测精度指标（MAPE、RMSE、MASE）
  • 异常检测
  • 季节性分解

使用流程

  • 预测分析实施
  • KPI框架开发
  • 市场规模与机会评估

用法

数据输入

# 时间序列数据配置
time_series_data = {
    "target": "monthly_revenue",
    "datetime_column": "date",
    "frequency": "M",  # 月度
    "data": [
        {"date": "2023-01-01", "value": 1000000, "marketing_spend": 50000},
        {"date": "2023-02-01", "value": 1050000, "marketing_spend": 55000},
        # ... 更多数据
    ],
    "exogenous_variables": ["marketing_spend", "economic_index"],
    "special_events": [
        {"date": "2023-11-24", "event": "black_friday", "impact": "positive"},
        {"date": "2023-12-25", "event": "christmas", "impact": "mixed"}
    ]
}

模型配置

# 预测配置
forecast_config = {
    "horizon": 12,  # 向前预测12个月
    "models": {
        "auto_select": True,
        "candidates": ["arima", "ets", "prophet", "lightgbm"],
        "ensemble": {
            "method": "weighted_average",
            "weights": "based_on_cv_performance"
        }
    },
    "validation": {
        "method": "time_series_cv",
        "n_splits": 5,
        "test_size": 3
    },
    "prediction_intervals": [0.50, 0.80, 0.95]
}

季节性分析

# 季节性分解
seasonality_config = {
    "method": "stl",  # 或 "classical", "x13"
    "seasonal_periods": [12],  # 月度数据的年度周期
    "robust": True,
    "output_components": ["trend", "seasonal", "residual"]
}

模型选择指南

模型 最适合 处理能力
ARIMA 具有自相关性的平稳数据 趋势、AR/MA模式
ETS 指数模式 趋势、季节性、误差
Prophet 业务时间序列 趋势、多重季节性、节假日
Theta 简单预测 趋势外推
N-BEATS 复杂模式 非线性趋势、可解释性
TFT 多时间范围、多变量 外生变量、注意力机制
XGBoost 特征丰富的预测 外生变量

精度指标

指标 公式 使用场景
MAPE 平均绝对百分比误差 与尺度无关的比较
RMSE 均方根误差 惩罚大误差
MASE 平均绝对缩放误差 与朴素预测比较
SMAPE 对称MAPE 处理接近零的值
覆盖率 预测区间内的百分比 校准检查

输入模式

{
  "time_series": {
    "target": "string",
    "datetime_column": "string",
    "frequency": "string",
    "data": ["object"],
    "exogenous_variables": ["string"]
  },
  "forecast_config": {
    "horizon": "number",
    "models": "object",
    "validation": "object",
    "prediction_intervals": ["number"]
  },
  "analysis_options": {
    "decomposition": "boolean",
    "anomaly_detection": "boolean",
    "feature_importance": "boolean"
  }
}

输出模式

{
  "forecasts": {
    "point_forecast": ["number"],
    "prediction_intervals": {
      "lower_80": ["number"],
      "upper_80": ["number"],
      "lower_95": ["number"],
      "upper_95": ["number"]
    },
    "dates": ["string"]
  },
  "model_performance": {
    "selected_model": "string",
    "cv_metrics": {
      "MAPE": "number",
      "RMSE": "number",
      "MASE": "number"
    },
    "all_models": "object"
  },
  "decomposition": {
    "trend": ["number"],
    "seasonal": ["number"],
    "residual": ["number"]
  },
  "anomalies": [
    {
      "date": "string",
      "value": "number",
      "expected": "number",
      "severity": "string"
    }
  ],
  "feature_importance": "object (if applicable)"
}

最佳实践

  1. 使用至少2-3个完整的季节性周期历史数据
  2. 检查并适当处理缺失值
  3. 考虑外部因素（节假日、促销活动、经济指标）
  4. 使用时间序列交叉验证（而非随机分割）进行验证
  5. 报告预测区间，而不仅仅是点预测
  6. 随时间监控预测精度，并在需要时重新训练
  7. 对长期预测保持谨慎（不确定性会累积）

集成点

  • 为前瞻性指标输入KPI跟踪器
  • 与蒙特卡洛引擎连接进行情景分析
  • 支持预测分析师代理
  • 与决策可视化集成以生成预测图表