今年3月發(fā)布的時(shí)候用過(guò)，最近才想起來(lái)看...

首先，它是一個(gè)工業(yè)級(jí)的應(yīng)用，在時(shí)間序列預(yù)測(cè)的模型上不是一個(gè)很大的創(chuàng)新。

我記得今年參加貓眼電影票房預(yù)測(cè)的內(nèi)部分享時(shí)，我坐在一個(gè)外賣(mài)PM旁邊。最后，對(duì)方問(wèn)我有沒(méi)有辦法預(yù)測(cè)外賣(mài)的訂單量。當(dāng)時(shí)想了想，比如Holt- ，或者deep LSTM，好像沒(méi)那么容易解釋。

時(shí)間序列預(yù)測(cè)對(duì)大多數(shù)公司都有必要的需求，例如電子商務(wù)預(yù)測(cè)GMV，外賣(mài)O2O預(yù)測(cè)量波動(dòng)以促進(jìn)容量分配，酒店預(yù)測(cè)客房和夜間量以調(diào)整定價(jià)和銷(xiāo)售等等。但總的來(lái)說(shuō)，時(shí)間序列預(yù)測(cè)對(duì)很多公司來(lái)說(shuō)都是一個(gè)難題。主要原因是時(shí)間序列預(yù)測(cè)本身除了是玄學(xué)（fog）之外，還需要分析師兼具深厚的專(zhuān)業(yè)領(lǐng)域知識(shí)（）和時(shí)間序列建模的統(tǒng)計(jì)知識(shí)。此外，時(shí)間序列模型的調(diào)優(yōu)也是一項(xiàng)相對(duì)復(fù)雜繁瑣的工作。

就是這種背景下的產(chǎn)品。時(shí)間序列建模的一些常用流程和參數(shù)，用于讓不懂統(tǒng)計(jì)學(xué)的業(yè)務(wù)分析人員能夠快速構(gòu)建出滿足自己需求的相對(duì)實(shí)用的模型。

許多業(yè)務(wù)活動(dòng)都有特定的時(shí)間依賴(lài)模式。作者以上述用戶創(chuàng)建的“事件”()為例：

可以看到用戶創(chuàng)建的事件數(shù)量具有明顯的時(shí)間序列特征：多個(gè)周期性、趨勢(shì)、假期效應(yīng)和一些異常值。

然后作者使用了R包中的幾種常用的時(shí)間序列預(yù)測(cè)技術(shù)（指數(shù)平滑等）來(lái)建模，效果很恐怖：

圖1是，圖2是指數(shù)平滑，圖3是，圖4是。

模型結(jié)構(gòu)

本質(zhì)是一個(gè)加法模型，基本形式如下：

哪里

這是一個(gè)趨勢(shì)項(xiàng)目，

是句號(hào)stan概率編程工具，

這是一個(gè)節(jié)日項(xiàng)目，

是誤差項(xiàng)，服從正態(tài)分布。

趨勢(shì)模型

兩個(gè)趨勢(shì)模型用于

：飽和增長(zhǎng)模型（）和分段線性模型（）。兩種模型都包含不同程度的假設(shè)和一些調(diào)整平滑度的參數(shù)，并通過(guò)選擇變化點(diǎn)來(lái)預(yù)測(cè)趨勢(shì)變化（）。具體推導(dǎo)不寫(xiě)，只寫(xiě)最終形式：

：

：

時(shí)期模型

使用傅里葉級(jí)數(shù)()建立周期模型：

N的調(diào)整起到了低通濾波（low-pass）的作用。筆者表示，對(duì)于年周期和周周期，分別選擇N為10和3，效果更好。

假期和緊急情況模型

節(jié)假日需要用戶提前指定stan概率編程工具，每個(gè)節(jié)假日包括前后幾天。模型的形式如下（感覺(jué)像虛擬變量）：

模型性能

還是用上面的例子，作者給出了模型擬合和預(yù)測(cè)能力：

似乎比之前用R做的效果好很多，而且不需要用戶有很強(qiáng)的統(tǒng)計(jì)背景就可以輕松建模。

同時(shí)支持將模型分解為單獨(dú)的組件，實(shí)現(xiàn)簡(jiǎn)單，只需要調(diào)用一行代碼nts：

適用范圍

顯然，它只適用于具有明顯內(nèi)部規(guī)律（或模式）的商業(yè)行為數(shù)據(jù)。

雖然日常數(shù)據(jù)系列通常用于官方案例，但也支持更短的時(shí)間段，例如小時(shí)數(shù)據(jù)。

但是對(duì)于沒(méi)有明顯趨勢(shì)和周期性的時(shí)間序列，預(yù)測(cè)是不合適的。比如有同學(xué)曾經(jīng)預(yù)測(cè)滬深300...更不用說(shuō)有效市場(chǎng)假說(shuō)（EMH），它否定了歷史數(shù)據(jù)擬合未來(lái)價(jià)格的可能性。即使市場(chǎng)有規(guī)律，也不能用一般模型簡(jiǎn)單地線性分解。進(jìn)入趨勢(shì)和周期。

我自己首先嘗試根據(jù)內(nèi)部歷史數(shù)據(jù)對(duì)公司風(fēng)險(xiǎn)控制的潛在損失做一個(gè)簡(jiǎn)單的預(yù)測(cè)，但顯然沒(méi)有證據(jù)可以解釋過(guò)去的序列特征（如風(fēng)險(xiǎn)集中度、外部環(huán)境影響、公司級(jí)合并等）會(huì)在2017年重演。所以充其量只是用來(lái)寫(xiě)周報(bào)，為2017年的風(fēng)控預(yù)算做點(diǎn)小貢獻(xiàn)...

總結(jié)

是一個(gè)比較好用的預(yù)測(cè)工具，特別適合像我這樣持有ets和auto的人。他們懶得自動(dòng)確定順序和選擇模型（逃……

對(duì)業(yè)務(wù)分析師非常友好，因?yàn)樵砗芎?jiǎn)單，而且很容易上手R和。

通常可以給出很好的預(yù)測(cè)結(jié)果。比如我對(duì)某些業(yè)務(wù)條線的交易數(shù)據(jù)進(jìn)行了預(yù)測(cè)，發(fā)現(xiàn)大部分都可以，“春節(jié)效應(yīng)”等中國(guó)特色也能更準(zhǔn)確。