7.3 应用场景：经济、销售、资源、异常检测

7.3 应用场景：经济、销售、资源、异常检测

本节摘要：时间序列分析的应用远不止"预测销量"。本节把常见应用分为四类——经济预测、销售预测、资源管理、异常检测——并讨论每类的关键指标、数据特征、典型方法。

学习目标

阅读完本节，你应当能够：

1. 列出时间序列分析的四类典型应用场景。
2. 说出每类场景的关键指标和典型方法。
3. 根据业务问题反推应该用什么数据 / 方法。

一、应用总览

时间序列分析应用大致分四类：

二、经济预测

场景特征

• 数据：宏观指标（GDP、CPI、PMI、失业率）。
• 频率：月度或季度。
• 关键挑战：周期长度不固定（5–10 年）、有政策突变。
• 典型问题："明年 GDP 增速会是多少？"

典型方法

• SARIMA(p,d,q)(P,D,Q,12)：基线方法，处理月度季节性。
• VAR（向量自回归）：多指标联合建模，捕捉"GDP 和失业率的反向关系"。
• DFM（动态因子模型）：从多个相关指标中提取共同因子。
• Prophet：处理政策突变（变点检测）。

工程要点

• 经济数据通常有"季节调整"版本（统计局公布的 SA 系列），优先用 SA 数据建模。
• 预测 horizon 越长、置信区间越宽；5 年以上预测基本只能给区间。
• 业务方对"区间宽度"敏感——给一个范围比单点预测更有用。

三、销售预测

场景特征

• 数据：电商 / 线下零售的日 / 小时销量、订单数、客单价。
• 频率：日 / 小时，常见日数据。
• 关键挑战：周季节性 + 趋势 + 促销脉冲 + 节假日。
• 典型问题："下周一的销量大概多少？"

典型方法

• Prophet：把促销、节假日作为事件建模。
• Holt-Winters：基线方法。
• LightGBM + 时序特征：把"星期几、是否节假日、过去 7 天销量"作为特征，机器学习模型。
• DeepAR / Temporal Fusion Transformer：多序列联合建模。

工程要点

• 销售预测几乎一定要把促销活动作为外生变量。否则春节、双 11 等重大事件无法建模。
• 日销量常带零值（如新品上市前），用 SMAPE 而非 MAPE。
• 滚动重训：模型用过去 2 年数据，每 1 周 / 1 月重训一次。

四、资源管理

场景特征

• 数据：服务器 QPS、CPU 利用率、库存周转、人员排班需求。
• 频率：分钟 / 小时。
• 关键挑战：日内 + 日间 + 周末多重季节性；突发事件（系统故障）。
• 典型问题："明早 9 点需要多少台机器？"

典型方法

• Prophet + 多 Fourier 项：建模日 + 周季节性。
• ARIMAX：把"是否营销活动"作为外生变量。
• LSTM / N-BEATS：复杂多周期数据。
• 简单阈值 + 上界保护：运维场景常用"预测 + 20% 余量"避免过载。

工程要点

• 资源预测的代价是"预测低了要付错失机会的代价"、"预测高了要付资源浪费"。用 MASE 和预测区间覆盖率共同评估。
• 容量规划通常用 95–99 分位数预测（"绝大多数情况下足够"），不是中位数预测。
• 突发事件的预测常常不靠谱（黑天鹅），要做应急储备。

五、异常检测

场景特征

• 数据：监控指标、用户行为、交易记录。
• 频率：分钟 / 实时。
• 关键挑战：异常稀少、定义模糊（什么算"异常"）。
• 典型问题："这 5 分钟的流量是正常波动还是故障？"

典型方法

• STL 残差：分解后残差如果超过 ±3σ，标为异常。
• 滚动 Z-score：基于滚动均值和标准差。
• Isolation Forest / One-Class SVM：机器学习方法。
• 自编码器 / 时序 Transformer：深度学习方法。
• GARCH：金融波动率建模。

工程要点

• 异常检测不应当只用绝对阈值——节假日、促销日的"正常水平"本身就高。
• 用 STL 残差或滚动 Z-score 之前，必须先做季节性调整。
• 异常检测系统的"召回率 vs 误报率"要业务方参与调优。
• 异常解释比异常识别更难：检测到"这 5 分钟异常"后还要告诉业务"为什么"。

六、跨场景的共性原则

无论哪种应用，以下原则都适用：

1. 数据勘查优先：先看图、先看统计量，不要直接建模。
2. 基线先行：朴素季节性预测常常胜过复杂模型。
3. 外生变量显式建模：促销、政策、天气等外生变量对预测影响巨大。
4. 滚动评估：用滚动窗口评估模型，而不是一次性 train/test split。
5. 预测 + 区间：永远给区间，不只给点预测。

本节要点回顾

• 四类应用：经济预测（5–10 年周期、宏观）、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）。
• 方法选择：看数据频率、季节性、外生变量、业务对预测的容忍度。
• 跨场景原则：数据勘查优先、基线先行、外生变量显式、滚动评估、给区间。
• 下一节线索：7.4 收尾——异常检测的具体方法、非平稳处理的兜底方案。

侦探笔记：4 大场景的差异

时间序列的应用场景在数据特性、模型选择、评估指标上差异极大。

选场景的 3 个问题

1. 预测步长是多少？1 步 vs 100 步难度差几个量级
2. 数据频率多高？决定 ARIMA 还是 Prophet 还是深度模型
3. 异常重要吗？异常检测场景需要专门设计

反模式

不要把学术论文里的 SOTA 模型直接套到生产里。论文关心 1 个数据集的指标，生产关心 1000 个场景的稳定性。简单模型 + 完整监控 > 复杂模型 + 黑盒。