1.1 预测任务怎么切分

1.1 预测任务怎么切分

本节摘要：时间序列预测是按时间顺序用历史观测估计未来数值。真正要先切的不是模型，而是任务：序列由趋势、季节、周期、残差组成；输出可以是单步或多步、一个点或一条区间。切错任务，后面所有对照都对不上业务决策。

学习目标

阅读完本节，你应当能够：

1. 用加法或乘法分解读一条业务曲线，指出哪一段是季节、哪一段是残差
2. 区分单步、迭代多步、直接多输出三种 horizon 策略
3. 说明点预测和区间预测分别回答什么业务问题
4. 给自己的项目填一张任务切分卡，而不是直接写“用 LSTM”

一、一条曲线里其实有四件事

港口调度室墙上的集装箱吞吐量日曲线，看起来是“一个数随时间在变”。SOURCE 把它拆成四块：趋势是长期方向，季节是固定日历周期（周、月、年），周期是长度不固定的起伏（经济景气），残差是解释不掉的随机波动。深度学习后面再强，也是在这四块上做文章，不会凭空多出第五种物理量。

加法模型把四块相加，适合波动幅度不随水平变大的序列；乘法模型把四块相乘，适合“水平越高、季节摆幅越大”的序列。SOURCE 提醒：乘法情形常先取对数，转回加法再建模。我更倾向先画一张按周对齐的小倍数图：若旺季波峰随年度均值抬升而变高，乘法优先；若波峰高度几乎不变，加法即可。

冷库温度是另一类例子。设定值附近的小抖动多半是残差；开关门造成的日内起伏是季节；压缩机老化导致的缓慢漂移是趋势。把这三类混成一个“预测温度”的黑盒，模型会把季节学成趋势，或者把残差当成可预报信号。

观测 Y
  ├─ 趋势 T     长期升/降/走平
  ├─ 季节 S     固定周期，可对齐日历
  ├─ 周期 C     长度不固定
  └─ 残差 R     解释不掉的部分
加法：Y = T + S + R
乘法：Y = T × S × R
​

图 任务切分卡：先勾选项再谈网络

二、horizon：单步、迭代、一次吐出整段

SOURCE 把预测任务分成单步和多步。单步只估下一个时间步，误差不会滚进下一步的输入。公交到站间隔若只需要“下一班大概几分钟”，单步足够。变电站若要排出未来 96 个 15 分钟点，那就是多步。

多步里又有三条路。迭代（SOURCE 称 Recursive）每次只走一步，把预测值塞回输入再走下一步：实现简单，误差累积是硬伤。直接多输出（Multi-Output）一次吐出未来整段：没有滚雪球，但模型要同时学多个 horizon，短 horizon 和长 horizon 可能互相扯皮。混合策略把前几步直接出、后面迭代，或分段直接出，是工程上常见的折中。

我倾向：horizon 不超过输入窗口的四分之一时，优先直接多输出；更长再考虑分段或混合。迭代只在“必须用已经训好的单步模型、不能重训”时才作为权宜。

概念上，直接多输出只是把最后一层从“一个数”改成“一段向量”，并不神秘：

输入窗口:  x[t-L+1] ... x[t]
单步输出:  y_hat[t+1]
多输出:    y_hat[t+1] ... y_hat[t+H]
迭代:      y_hat[t+1] 再作为输入去估 y_hat[t+2]
​

三、点还是区间，问的是两种决策

点预测给一个数，区间预测给范围或分布。SOURCE 把后者叫 Interval / Probabilistic。调度开备用机组，关心的是“晚高峰会不会超过上限”，一个点不够；仓库备安全库存，关心的是上分位数，不是均值。若考核指标写的是 RMSE，点预测与考核对齐，硬上区间只会让报表难看。

点预测常用 MSE/MAE；区间常用分位数损失（后文第 5、6 章会对照）。不要把点预测的残差标准差事后画成“置信带”就宣称做了不确定性量化——那只是同方差假设下的装饰，遇到波动率随时间变的序列会骗人。

时间序列预测的重要性，SOURCE 列了决策支持、资源优化、风险管理、性能评估、自动化。落到切分卡上：决策支持往往要区间；资源优化可能只要点；风险管理必须要带宽；拿预测当新策略基线时，先保证划分不泄漏（第 5 章），否则基线本身是假的。

⚠️ 常见坑：把多步任务训成单步，上线再用迭代滚 96 步。验证集上看起来 RMSE 很低，那是单步的分；滚到第 40 步，负荷曲线会漂出物理范围。
💡 关键直觉：horizon 和输出形态是产品需求，不是模型能力等级。Transformer 也可以只做单步点预测；ARIMA 也可以出预测区间。

问题：不规则采样算不算时间序列？

算。SOURCE 写明数据点可以在固定或不固定间隔上观测。公交到站、船舶靠泊就是不规则的。深度侧后面会用到注意力或图网络来迁就不规则；统计侧往往先重采样到规则网格。切分卡上要单独勾“是否规则”，这决定预处理走哪条路。

问题：周期和季节有什么差别？

季节对齐日历，长度固定；周期长度不固定，例如几年一次的景气。深度模型两者都会吃进非线性里，不会自动帮你标注名字。若业务要解释“这是春节效应还是景气循环”，仍需要分解或外生日历特征，不能指望网络自己开口。

四、三张业务表：同一套切分词，不同落点

把切分卡填到具体业务上，比背定义有用。下面三张是示意，数字不是实测。

变电站 15 分钟负荷、日前要 96 点、考核常见 RMSE，备用决策却看晚高峰会不会顶上限。对象是单变量加气温协变量；horizon 是多步固定 96；输出形态口头说点、心里要区间。切分卡一旦这样填，后面就不能只用单步 LSTM 的验证分去投标。季节是日双峰加工作日/周末，周期是缓慢用电结构变化，残差含高温尖峰。加法还是乘法：高峰随年负荷水平抬升时偏乘法，先对数再建模是 SOURCE 写过的路。

港口日吞吐量、要未来两周泊位计划。班期是已知未来，台风是稀疏事件。horizon 14 对日序列不算短，迭代会把班期误差滚大。更合理的是前 3 日直接多输出、后面用班期加季节朴素。点预测够排计划草稿，真正占泊位的安全余量仍要上分位。这里周期（景气）和季节（周班期）必须分开勾，否则网络会把景气当星期学。

冷库分钟温度、只要下一拍是否越限报警。单步点或单步上分位即可。趋势是压缩机老化，季节是开门造成的日内起伏，残差是控制抖动。这种题上 Transformer 是错轴。切分卡填完应显示：统计或浅层网络，区间只要一条上尾。

问题：切分卡能不能中途改？

能，而且应该改。产品从“看一眼明天”变成“自动排 96 点”时，horizon 轴已经移动，模型族排名作废，要重测，不是加两层。改卡比改网络便宜，但必须留下版本：V1 单步点、V2 多步点、V3 多步区间。对照日志按版本存，禁止把 V1 的漂亮 RMSE 贴到 V3 的汇报上。

问题：不规则采样怎么填对象这一列？

单独勾不规则。公交到站不是等间隔负荷。后面预处理要决定：投影到整点网格，还是保持事件序列。切分卡不勾这一项，第 2 章会默认网格化，把事件抹掉。SOURCE 承认间隔可以不固定，并不等于深度会自动处理；只是提醒你这是合法时间序列，需要单独策略。

把三张业务表和两问写进项目备忘，第 1.2 节的六条优势才有地方挂钩。没有落点的优势清单，只是宣传册。

五、切分卡版本号

切分卡不是填一次。产品从“看一眼”改成“自动排班”，horizon 已经变，旧版 RMSE 作废。给卡打版本：对象、H、点或区间、决策用途四列任一变化就升版本。对照日志按版本分夹，禁止把旧版漂亮数字贴到新版汇报。SOURCE 把单步多步、点区间并列，正是因为它们是产品选项不是模型等级。港口若只决策前三日泊位，却用十四日平均当主指标，是卡填错，不是网络不够新。冷库越限报警只要上尾，却用 RMSE 选模型，同样是卡填错。把版本号写进实验文件名和报告页眉，比再写一段定义更有用。

六、切错任务的三种典型账单

第一种账单最常见：内部比赛用单步 RMSE 选了 LSTM，上线却要滚 96 步负荷。验证集上的胜利是单步题的胜利，产品题是多步。切分卡如果一开始就把 horizon 写成 96，这种错法会被挡住。第二种：报表考核点预测，库存同事按带子备货，模型组只优化 RMSE，上线后安全库存仍然拍脑袋。点与区间是并列选项，SOURCE 写得很清楚，不是点做完再“加个置信带”。第三种：对象勾了多变量，训练却用事后气温，信息集非法，深度假赢。三种账单看起来像模型不行，其实是任务没切开。

把账单反向当检查单。上线漂了，先问切分卡版本有没有和产品一致，再问模型族。一致而仍漂，才进入第 5 章诊断。不一致，先改卡重测，不要加层。港口、变电站、冷库三张表示意，用来练习填卡，不是标准答案。你的项目应有自己的一张卡，四列都勾，决策用途能用一句话说给非技术人员听。说不清用途，就还没有任务，只有数据文件。

七、四列互相卡住时听哪一列

对象、预测步数、输出形态、决策用途四列会打架。听决策用途。报表只要一个点，却把区间列勾上，后面会为带宽浪费容量。备用决策要超限概率，却把输出勾成点，后面会用均方根误差选出一个从不敢报高峰的模型。预测步数与决策窗口不一致时，缩短步数而不是加深网络。对象勾多变量但决策时刻拿不到预报，把通道降回当时信息集。四列冲突时改卡，不改层数。公交到站若决策是下一班会不会晚点超过八分钟，切分卡应是单步上尾，不是未来两小时轨迹的平均误差。

要点速记

• 时间序列按时间排序，核心是顺序，不是表格里多了一列日期
• 四块分解：趋势、季节、周期、残差；加法/乘法按波幅是否随水平变化来选
• 单步不累积，迭代会滚雪球，直接多输出换更大的输出头
• 点预测对齐 RMSE 考核，区间对齐备货与风险
• 切分卡四列：对象、horizon、输出形态、决策用途
• 不规则采样也是时间序列，要单独勾选，别默认为等间隔

下一节把同一张切分卡放到“经典统计 vs 深度学习”轴上，看六条深度优势各自在什么条件下成立。