今年3月發(fā)布的時候用過，最近才想起來看...

首先，它是一個工業(yè)級的應(yīng)用，在時間序列預(yù)測的模型上不是一個很大的創(chuàng)新。

我記得今年參加貓眼電影票房預(yù)測的內(nèi)部分享時，我坐在一個外賣PM旁邊。最后，對方問我有沒有辦法預(yù)測外賣的訂單量。當時想了想，比如Holt- ，或者deep LSTM，好像沒那么容易解釋。

時間序列預(yù)測對大多數(shù)公司都有必要的需求，例如電子商務(wù)預(yù)測GMV，外賣O2O預(yù)測量波動以促進容量分配，酒店預(yù)測客房和夜間量以調(diào)整定價和銷售等等。但總的來說，時間序列預(yù)測對很多公司來說都是一個難題。主要原因是時間序列預(yù)測本身除了是玄學（fog）之外，還需要分析師兼具深厚的專業(yè)領(lǐng)域知識（）和時間序列建模的統(tǒng)計知識。此外，時間序列模型的調(diào)優(yōu)也是一項相對復(fù)雜繁瑣的工作。

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

許多業(yè)務(wù)活動都有特定的時間依賴模式。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)量具有明顯的時間序列特征：多個周期性、趨勢、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間序列預(yù)測技術(shù)（指數(shù)平滑等）來建模，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)是一個加法模型，基本形式如下：

哪里

這是一個趨勢項目，

是句號stan概率編程工具，

這是一個節(jié)日項目，

是誤差項，服從正態(tài)分布。

趨勢模型

兩個趨勢模型用于

：飽和增長模型（）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)，并通過選擇變化點來預(yù)測趨勢變化（）。具體推導不寫，只寫最終形式：

：

：

時期模型

使用傅里葉級數(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，每個節(jié)假日包括前后幾天。模型的形式如下（感覺像虛擬變量）：

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的統(tǒng)計背景就可以輕松建模。

同時支持將模型分解為單獨的組件，實現(xiàn)簡單，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，但也支持更短的時間段，例如小時數(shù)據(jù)。

但是對于沒有明顯趨勢和周期性的時間序列，預(yù)測是不合適的。比如有同學曾經(jīng)預(yù)測滬深300...更不用說有效市場假說（EMH），它否定了歷史數(shù)據(jù)擬合未來價格的可能性。即使市場有規(guī)律，也不能用一般模型簡單地線性分解。進入趨勢和周期。

我自己首先嘗試根據(jù)內(nèi)部歷史數(shù)據(jù)對公司風險控制的潛在損失做一個簡單的預(yù)測，但顯然沒有證據(jù)可以解釋過去的序列特征（如風險集中度、外部環(huán)境影響、公司級合并等）會在2017年重演。所以充其量只是用來寫周報，為2017年的風控預(yù)算做點小貢獻...

總結(jié)

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

對業(yè)務(wù)分析師非常友好，因為原理很簡單，而且很容易上手R和。

通?？梢越o出很好的預(yù)測結(jié)果。比如我對某些業(yè)務(wù)條線的交易數(shù)據(jù)進行了預(yù)測，發(fā)現(xiàn)大部分都可以，“春節(jié)效應(yīng)”等中國特色也能更準確。