第七章·应用、评估与高阶

第七章 · 应用、评估与高阶

本章要回答的三个问题：模型预测得"好"怎么量化？预测区间和置信带有什么区别？面对一段业务数据，常见的应用场景和异常检测怎么做？

为什么会有这一章

第六章介绍了 STL、Prophet、ARIMA 等建模方法。但建模只是起点——业务上更关心"模型在测试集上表现如何"、"预测区间宽不宽"、"哪些点是真异常"。本章把"评估 + 应用"这两块工程内容整合起来。

读完能解决什么

• 用 MAE / RMSE / MAPE / R² 等指标评估模型。
• 区分"预测区间"与"置信带"，理解它们的统计含义。
• 处理时间序列的异常检测和非平稳补救。

知识地图

一句"金句"点题：模型不是终点，业务上的"好"必须用业务可解释的指标量化。

各节怎么分工

7.1 评估指标

MAE / RMSE / MAPE / SMAPE / MASE 五种指标的适用场景与单位敏感性；系统偏差分析（MBE）。

7.2 预测区间与置信带

预测区间（未来单点）vs 置信带（未来均值）的统计差异；Bootstrap 校准更鲁棒；过度自信的工程问题。

7.3 应用场景

经济预测（5–10 年周期）、销售预测（日 / 周季节、促销）、资源管理（多重季节、容量余量）、异常检测（罕见事件、解释难）四类典型应用。

7.4 异常值检测与非平稳处理

STL 残差 / 滚动 Z-score / Isolation Forest 三种异常检测；ADF / KPSS / PP 平稳性检验组合；差分阶数兜底决策。

先决条件

• 已完成第六章，能跑 ARIMA / Prophet / Holt-Winters。
• 对统计学基本概念有掌握（置信区间、p 值）。

评估指标的能力对比

往下走到哪

本章是教程的收尾。第八章（如果后续扩展）会进入多元时间序列、GARCH、神经网络方法等更专门的话题。

本章在四成分中的位置

第 7 章是"应用与高阶"——它把前 6 章的模型方法落地到 4 大业务场景（经济/销售/资源/异常检测），并补上评估指标和高阶话题（异常值/缺失值/多元时间序列）。

与第 6 章的衔接

第 6 章讲建模方法（学完了"怎么建"）。本章讲评估指标（学完了"怎么评"）和应用场景（学完了"用在哪儿"）。两章一起回答"模型建好了，怎么上线、怎么监控"。

本章的应用视角

4 大场景（经济预测、销售预测、资源管理、异常检测）的数据特性差异极大：

• 经济预测：低频、慢变、长周期
• 销售预测：中频、强季节、业务事件多
• 资源管理：高频、强周期
• 异常检测：关心残差，预测不是首要目标

不要把一种场景的"最佳实践"硬套到另一种上。

本章的高阶话题

7.4 节讲异常值检测与非平稳处理。这两个话题的共同点是"标准时间序列方法不直接处理它们，需要特殊设计"。本节给出常见应对（差分、抗差回归、Kalman 滤波等）。

学完本章的检查点

打开任一业务问题（如"预测下季度销量"），如果你能说出"我用什么模型 + 什么评估指标 + 怎么处理异常"——你具备了把时间序列应用到生产的能力。