使用指南
平台完整工作流：从业务数据到生产级自动预测两条使用路径
🚀 快速路径（初次体验）
点击左侧「⚡ 自动流水线」→ 选择数据来源 → 一键执行
自动完成：清洗 → 特征 → 调优 → 回测 → 预测 → 导出
几分钟看到完整结果，适合快速了解平台能力。
自动完成：清洗 → 特征 → 调优 → 回测 → 预测 → 导出
几分钟看到完整结果，适合快速了解平台能力。
🔬 专业路径（正式建模）
按左侧 01 → 07 逐步执行，每步检查结果再进入下一步。
数据可控、参数可调、模型可比，最终交给「⟳ 预测工作流」
定时自动预测并用真实销量持续验证效果。
数据可控、参数可调、模型可比，最终交给「⟳ 预测工作流」
定时自动预测并用真实销量持续验证效果。
步骤详解
| 步骤 | 做什么 | 怎么用 / 为什么 | 产物 |
|---|---|---|---|
| 01 数据获取 | 导入历史日销量数据 | 三种方式：①生成示例数据体验；②上传 CSV/Excel（任意列名，可视化映射时间列/销量列/维度列/特征列，多文件自动合并）；③数据库直连 MySQL/SQLite，支持自定义只读 SQL（JOIN/GROUP BY），连接配置自动保存，下次登录点击一键重连。建议至少 120 天历史数据。 | 原始数据表 + 数据画像 |
| 02 数据清洗 | 把脏数据变成干净的连续日序列 | 去重、修复负值、补齐缺失日期、异常值截断（IQR×k，高值原始/低值 log 双侧检测）。大促/事件日保护：38节/618/双11/双12 与自定义事件窗口内的高销量不截断——尖峰是模型要学的真实信号；骤降检测：单日骤降自动抬升修复，连续≥3天骤降判定为疑似断货/下架，保留原值并生成 is_stockout 特征（模型学会区分"没货"和"没需求"）；缺失填充推荐季节感知（周同期均值，保留周形态，对深度学习尤其重要）。 | 干净连续的日销量序列 + is_stockout 标记 |
| 03 维度拓展 | 特征工程：给模型提供"线索" | 勾选特征组：日历（星期/月份/年周期傅里叶1~3阶/农历春节维度）、节假日大促、自定义事件（店庆/直播等，标记后同时参与清洗保护）、滞后（lag 1/7/14/28，数据满一年自动加同比 lag364）、滑窗（均值/波动/最值 + 趋势形态 trend_7_28/dev_7/vol_ratio_7）、内部因素（价格/折扣/促销/广告）、外部因素（内置 Open-Meteo 天气 + 文件导入大盘指数等）。特征相关性排行帮助判断哪些线索有效，低相关可勾选剔除。 | 特征矩阵 + 相关性排行 |
| 04 模型调优 (可选) | 为每个模型找最佳超参数 | 网格搜索超参数，留出集 RMSE 择优。支持单模型或多模型批量对比（一次调优全部模型并排名）。回答的是"同一模型哪组配置更好"。Ridge/HW 默认参数够用，LightGBM/XGB 调优收益大。最优参数自动记入 best_params，后续勾选「使用调优参数」即生效。 | 每个模型的 best_params |
| 05 评估回测 ★ 决策步骤 | 模拟历史预测，给模型打分选模 | 多模型 4 折滚动回测：每折只用"折前"数据训练、预测"折内"数据，严格递归防止偷看未来。输出 MAPE/RMSE/R²、跨折稳定性、质量等级(A~D)、生产就绪(production_ready)。与调优分开是为了防数据泄漏——调优时参数已"见过"验证窗口，必须用独立时间段再考一次，成绩才可信。自动选模按生产门槛+稳定性综合择优，不只看 RMSE。 | 模型对比报告 + 最优模型 |
| 06 预测结果 真正的最终训练 | 全量数据训练 + 预测未来 | 用选定模型和调优参数，以全部历史数据完整训练一次（此前调优/回测训练的都是临时"陪练"模型），递归预测未来 N 天，输出 80%/95% 置信区间。支持场景假设（促销/折扣/广告投入）对比、维度批量预测（多款式/店铺）、CSV 导出与数据库回写。预测结果自动保存到你的账号。可选「LLM 修正」（见下方卡片）：预测完成后由 DeepSeek 审查并按周块给修正系数，曲线/表格同时展示 ML/DL 与 LLM 修正前后对比。 | 未来 N 天预测 + 置信区间 + （可选）LLM 修正对比 |
| 07 模型仓库 | 固化模型资产 | 把训练好的模型导出为 .pkl 文件（含模型+特征清单+参数+元数据），可下载备份、加载后免训练直接预测新数据。这是交给预测工作流用的正式模型。 | .pkl 模型文件 |
| ⟳ 预测工作流 ★ 生产运行 | 定时自动预测 + 真实效果监控 | 选择已导出模型 + 业务库取数 SQL，设定调度间隔（建议 1440 分钟=每日）。到点自动：取最新数据 → 预测入库（可写回业务库）→ 把已发生日期的真实销量回填到预测明细 → 计算真实 MAPE/RMSE 累计评估历史。回测是"模拟过去"，这里是"验证真实未来"，是最可信的效果证明。 | 持续更新的预测表 + 真实效果曲线 |
模型怎么选（平台 20+ 个模型）
| 类别 | 模型 | 适用场景 |
|---|---|---|
| 基线 | snaive（上周同天） | 任何模型都应先跑赢它，否则不如简单规则。 |
| 梯度提升（主力） | LightGBM / XGBoost | 中小数据量最稳、训练秒级，配合调优通常最优。首选。 |
| 统计时序 | HW / SARIMA / AutoETS / AutoARIMA / AutoTheta / MSTL / AutoCES | 无需特征工程，周期规律强的数据表现好；Croston/CrostonSBA 专治间歇性稀疏销量（大量零值的长尾款）。 |
| 深度学习（单序列） | NHITS / TFT / DLinear / NLinear / PatchTST | 历史 ≥1 年、旺淡季/大促模式复杂时上限更高；NHITS/TFT 自动吃天气/价格/自定义列等未来协变量。 |
| 深度学习（全局多序列） | NHITS/TFT/DLinear/PatchTST 的「全局」变体 | 一个模型学全部款式/店铺（数据含维度列时可用）；类目/平台等静态特征让新款冷启动，长尾款类目均值兜底。多款式批量预测首选。 |
🤖 ML+LLM 混合预测（预测页「LLM 修正」开关）
是什么：在 ML/DL 模型预测完成后，用 DeepSeek 审查预测合理性并按周块（7天）给出修正系数（0.70~1.30），再回放每一天，形成"ML 算数 + LLM 纠偏"的混合预测。
怎么开：预测页「预测配置」→「LLM 修正」→ 选「开（ML+LLM 混合）」→ 一键预测。默认关，只有显式开启才调用 DeepSeek（产生少量调用成本）。
结果怎么看：KPI 增加「LLM 修正后总量」卡（系数 + 差值）；走势图同时画 预测值(ML/DL) 与 预测值(LLM修正) 两条曲线；明细表新增「LLM修正」列；顶部绿框展示每个周块的修正系数与 LLM 理由、置信度。
什么时候有用：ML 对趋势转折、季节错位、促销尖峰、断货误判等场景容易失真，LLM 结合历史周趋势与业务常识可以纠偏；当 ML 预测与历史趋势一致时 LLM 会保守保持原预测（系数=1.0），不会过度干预。
可靠性：LLM 调用/解析失败自动回退原预测，不影响预测流程；系数钳制 0.70~1.30，保守修正。
怎么开：预测页「预测配置」→「LLM 修正」→ 选「开（ML+LLM 混合）」→ 一键预测。默认关，只有显式开启才调用 DeepSeek（产生少量调用成本）。
结果怎么看：KPI 增加「LLM 修正后总量」卡（系数 + 差值）；走势图同时画 预测值(ML/DL) 与 预测值(LLM修正) 两条曲线；明细表新增「LLM修正」列；顶部绿框展示每个周块的修正系数与 LLM 理由、置信度。
什么时候有用：ML 对趋势转折、季节错位、促销尖峰、断货误判等场景容易失真，LLM 结合历史周趋势与业务常识可以纠偏；当 ML 预测与历史趋势一致时 LLM 会保守保持原预测（系数=1.0），不会过度干预。
可靠性：LLM 调用/解析失败自动回退原预测，不影响预测流程；系数钳制 0.70~1.30，保守修正。
🧠 深度学习使用要点
什么时候用：历史 ≥1 年、有明显旺淡季/大促脉冲、或需要多款式全局建模。数据 <6 个月建议用 LGBM/统计模型。
深度面板（调优/回测/预测页选中深度模型后出现）：hidden 宽度（模型容量）、层数、注意力头、训练步数（默认600）、批大小（大数据集加大提速）、置信区间（分位数网络=旺淡季自适应宽度，推荐）、早停（验证损失不降自动停，默认开）。留空即用默认/调优参数。
进度与取消：训练显示步级进度条 + 剩余时间预估（ETA）+ 折/试验进度；点「停止训练」当前训练步结束立即中止，已完成模型的结果保留。
置信区间：深度模型用 MQLoss 分位数网络直接学习 80%/95% 分位——旺季区间宽、淡季窄；预测页 KPI 卡显示「分位数网络」即生效。传统模型是固定 σ 对称区间。
深度面板（调优/回测/预测页选中深度模型后出现）：hidden 宽度（模型容量）、层数、注意力头、训练步数（默认600）、批大小（大数据集加大提速）、置信区间（分位数网络=旺淡季自适应宽度，推荐）、早停（验证损失不降自动停，默认开）。留空即用默认/调优参数。
进度与取消：训练显示步级进度条 + 剩余时间预估（ETA）+ 折/试验进度；点「停止训练」当前训练步结束立即中止，已完成模型的结果保留。
置信区间：深度模型用 MQLoss 分位数网络直接学习 80%/95% 分位——旺季区间宽、淡季窄；预测页 KPI 卡显示「分位数网络」即生效。传统模型是固定 σ 对称区间。
常见问题
Q：为什么调优（04）和回测（05）要分成两步？
调优是"运动员自己练"，参数在验证窗口上反复试过、成绩会虚高；回测是"独立裁判考试"，用调优没见过的多个时间段再评一次。分开才能防止过拟合和数据泄漏，选出的模型上线后才不掉链子。
Q：哪一步才是真正的建模训练？
06 预测 / 07 导出时的全量训练。调优和回测阶段训练的几十个模型都是临时评估用，留下的只是参数（best_params）和评分结论。
Q：回测指标怎么判断好坏？
MAPE<10% 优秀、10~20% 良好、>30% 需改进；R²>0.8 说明模型解释了大部分波动；优先看 quality_grade（A/B 可用）和 production_ready（是否达到生产门槛），其次再比 RMSE。跨折稳定性差的模型即使平均分高也要谨慎。
Q：预测结果能再被"人"看一眼把把关吗？
可以。预测页开启「LLM 修正」后，DeepSeek 会像资深分析师一样审查 ML/DL 预测：结合最近 12 周实际销量与趋势、季节、促销等业务常识，按周块给出修正系数并附理由与置信度。页面同时展示修正前后两条曲线与明细对比，你可据此决定采用哪一版。LLM 修正失败时自动保持原预测，不会影响出数。
Q：推荐的使用节奏？
首次建模：01→02→03→04(多模型批量)→05(勾选调优参数回测选模)→06 验证→07 导出；日常：建预测工作流每日自动跑；维护：工作流真实 MAPE 持续变差时回到 04/05 重新调优选模，导出新模型替换工作流中的旧模型。
Q：大促尖峰被当异常值截掉怎么办？
清洗页默认开启「大促/事件日保护」，38节/618/双11/双12 窗口自动保护；自有活动（店庆/直播）先到 03 页标记自定义事件再清洗，对应窗口即受保护。
Q：断货期的数据要删吗？
不要删。清洗会自动识别连续≥3天骤降并标记 is_stockout（保留原值），模型能学会区分"没货"和"没需求"；删掉反而丢信息。
Q：深度学习要跑多久？能中途停吗？
CPU 上单模型约 1~5 分钟（600 步）；进度条有剩余时间预估；随时点「停止训练」，当前训练步结束立即中止。开启早停后收敛即自动停，不会傻跑满步数。
Q：预测区间为什么忽宽忽窄？
深度模型的分位数网络会按旺淡季自适应：波动大的时期区间自然更宽，这是特性不是 bug。备货保守按 lo80，进取按 hi80；想要固定宽度可在深度面板切「传统 σ 区间」。
Q：多款式怎么批量预测？
数据库直连页用 SQL 带出维度列（款式/店铺），底部「按维度批量预测」：普通模型逐款式独立建模（款少历史长）；「全局」深度模型一个模型学全部款式（款多、含新款冷启动）。
Q：多维度（款式×平台）怎么建模？
上传页/数据库直连页选「维度列」+「组合维度2」（如 款式+平台），平台自动拼组合序列键（如 淘宝·A001），每个组合独立成一条序列。选好后点「检查维度组合」预览组合数/覆盖天数/稀疏度和建模建议再导入。原维度列自动作为全局深度模型的静态特征——模型能学到同款跨平台差异与平台内款式共性。
调优是"运动员自己练"，参数在验证窗口上反复试过、成绩会虚高；回测是"独立裁判考试"，用调优没见过的多个时间段再评一次。分开才能防止过拟合和数据泄漏，选出的模型上线后才不掉链子。
Q：哪一步才是真正的建模训练？
06 预测 / 07 导出时的全量训练。调优和回测阶段训练的几十个模型都是临时评估用，留下的只是参数（best_params）和评分结论。
Q：回测指标怎么判断好坏？
MAPE<10% 优秀、10~20% 良好、>30% 需改进；R²>0.8 说明模型解释了大部分波动；优先看 quality_grade（A/B 可用）和 production_ready（是否达到生产门槛），其次再比 RMSE。跨折稳定性差的模型即使平均分高也要谨慎。
Q：预测结果能再被"人"看一眼把把关吗？
可以。预测页开启「LLM 修正」后，DeepSeek 会像资深分析师一样审查 ML/DL 预测：结合最近 12 周实际销量与趋势、季节、促销等业务常识，按周块给出修正系数并附理由与置信度。页面同时展示修正前后两条曲线与明细对比，你可据此决定采用哪一版。LLM 修正失败时自动保持原预测，不会影响出数。
Q：推荐的使用节奏？
首次建模：01→02→03→04(多模型批量)→05(勾选调优参数回测选模)→06 验证→07 导出；日常：建预测工作流每日自动跑；维护：工作流真实 MAPE 持续变差时回到 04/05 重新调优选模，导出新模型替换工作流中的旧模型。
Q：大促尖峰被当异常值截掉怎么办？
清洗页默认开启「大促/事件日保护」，38节/618/双11/双12 窗口自动保护；自有活动（店庆/直播）先到 03 页标记自定义事件再清洗，对应窗口即受保护。
Q：断货期的数据要删吗？
不要删。清洗会自动识别连续≥3天骤降并标记 is_stockout（保留原值），模型能学会区分"没货"和"没需求"；删掉反而丢信息。
Q：深度学习要跑多久？能中途停吗？
CPU 上单模型约 1~5 分钟（600 步）；进度条有剩余时间预估；随时点「停止训练」，当前训练步结束立即中止。开启早停后收敛即自动停，不会傻跑满步数。
Q：预测区间为什么忽宽忽窄？
深度模型的分位数网络会按旺淡季自适应：波动大的时期区间自然更宽，这是特性不是 bug。备货保守按 lo80，进取按 hi80；想要固定宽度可在深度面板切「传统 σ 区间」。
Q：多款式怎么批量预测？
数据库直连页用 SQL 带出维度列（款式/店铺），底部「按维度批量预测」：普通模型逐款式独立建模（款少历史长）；「全局」深度模型一个模型学全部款式（款多、含新款冷启动）。
Q：多维度（款式×平台）怎么建模？
上传页/数据库直连页选「维度列」+「组合维度2」（如 款式+平台），平台自动拼组合序列键（如 淘宝·A001），每个组合独立成一条序列。选好后点「检查维度组合」预览组合数/覆盖天数/稀疏度和建模建议再导入。原维度列自动作为全局深度模型的静态特征——模型能学到同款跨平台差异与平台内款式共性。
预测工作流
定时加载已训练模型 → 业务库取数 → 预测入库 → 回填真实销量 → 评估真实效果新建工作流
高级设置（验证 / 精度提醒 / 写回业务库，可留空）
数据来源
当前取数已就绪：加载中…
将复用「数据获取」页已加载的数据源连接、SQL、列名与维度配置，无需重复填写；若未加载数据请切到「手动配置」。
将复用「数据获取」页已加载的数据源连接、SQL、列名与维度配置，无需重复填写；若未加载数据请切到「手动配置」。
我的工作流
加载中
预测查询
按工作流/日期/款式筛选预测明细，可导出 CSV 或生成 SQL筛选条件
请选择工作流后查询
我的记录
当前账号保存的数据源、训练任务和模型记录业务数据源
加载中
训练与预测任务
加载中
我的模型
加载中
用户管理
管理平台账号、角色和启停状态创建用户
账号列表
加载中
自动流水线
一键执行：数据 → 清洗 → 维度拓展 → 调优 → 多模型回测 → 预测 → 导出最优模型 → AI 解读流水线配置
参与回测对比的模型
流水线执行中，视配置需 1~5 分钟
数据获取
导入历史销量数据，或使用内置示例数据集（含内部/外部因素与脏数据）示例数据集
生成两年模拟电商日销量：趋势 + 年/周季节性 + 大促脉冲（618/双11/双12）， 内部因素（价格·折扣·促销·广告），外部因素（气温·行业指数·竞品促销）， 并注入缺失值 / 异常尖峰 / 负值 / 重复行用于演示清洗。
生成中
上传业务数据
拖拽 CSV / Excel 文件至此（支持多选），或点击选择
不限列名格式——上传后可视化选择时间列 / 销量列 / 维度列 / 特征列；多个文件（如按月导出）自动按列合并、按行去重
不限列名格式——上传后可视化选择时间列 / 销量列 / 维度列 / 特征列；多个文件（如按月导出）自动按列合并、按行去重
数据库直连（MySQL）
连接中
数据清洗
去重 · 非法值修复 · 缺口补全 · 异常值处理 · 缺失填充清洗策略配置
清洗中
维度拓展
特征工程：从时间结构、业务因素中构造预测维度特征组选择
构建中
时序事件标记
手动标记历史或未来的业务事件（自有大促、断货、店庆、直播等），生成事件及前后窗口特征；未来日期的事件在预测时同样生效。标记后勾选上方「自定义事件标记」特征组。
外部因素导入（大盘指数 / 天气等）
上传 CSV/Excel：需包含日期列 + 数值列（如大盘成交指数、行业指数、气温、降雨量）。按日期自动对齐合并到当前数据；若文件覆盖未来日期，预测时将使用真实未来外部值（如天气预报、行业预估）。可多次导入不同来源。导入后勾选「外部因素」特征组。
内置全国天气已自动更新（每日 06:30 保鲜）
处理中
内置来源：Open-Meteo 全国 14 城（北京/上海/广州/成都/武汉/哈尔滨/乌鲁木齐/昆明等）日均气温取平均（含降水），免费无需 key；历史覆盖训练期、未来 16 天为真实预报，预报期之后自动延伸「历史同期气候均值」（±5 天窗口多年平均）至今天+45 天——30/45 天预测的天气特征全程可用。「全国平均」合并为一个主维度，「分城市」各城温度单独成维。导入后每日 06:30 自动重拉保鲜，预报不过期。
模型调优
网格搜索超参数，留出集 RMSE 择优，最优参数自动记录调优配置
搜索中，请稍候
勾选 1 个模型 = 单模型调优；勾选多个 = 批量调优横向对比
评估回测
滚动起点回测（Rolling-Origin Backtest），多模型多指标横向对比回测配置
回测中，多模型可能需要 1-2 分钟
预测结果
未来销量预测 · 80%/95% 置信区间 · 业务场景假设模拟预测配置
场景假设（可选 · 覆盖未来内部因素）
预测中
模型仓库
训练好的模型导出为 .pkl 文件，可下载部署，或直接加载预测（免重新训练）导出当前模型
训练导出中
导出的 .pkl 包含：训练好的模型 + 标准化器 + 特征清单 + 特征组配置 + 回测指标 + 残差σ，可独立用于预测。
已导出模型
暂无导出模型
用模型文件直接预测
预测中
全局模型（*_global）完全离线预测：模型文件自带训练数据/权重/预测起点/天气，无需加载数据或清洗。结果直接显示在「06 预测结果」页。