AI 指标预测时序分解比直接上 LSTM 更靠谱的场景分析一、LSTM 预测翻车记去年有个项目产品经理提需求预测未来 30 天 GMV要精确到天上 AI我心想这不就是时序预测吗调个 LSTM一天搞定。于是拉了两年的日度 GMV 数据搭了个标准模型import numpy as np import pandas as pd from sklearn.preprocessing import MinMaxScaler from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout # 数据准备最近 730 天的日 GMV gmv_data pd.read_csv(daily_gmv.csv)[gmv].values gmv_data gmv_data.reshape(-1, 1) # 用前 60 天预测下一天两个月的窗口 scaler MinMaxScaler() gmv_scaled scaler.fit_transform(gmv_data) # 构建监督学习样本X 是过去 60 天的序列y 是第 61 天的值 X, y [], [] lookback 60 for i in range(lookback, len(gmv_scaled)): X.append(gmv_scaled[i - lookback:i, 0]) y.append(gmv_scaled[i, 0]) X np.array(X).reshape(-1, lookback, 1) y np.array(y) # 划分训练集和测试集前 600 天训练后面评估 train_size 600 X_train, X_test X[:train_size], X[train_size:] y_train, y_test y[:train_size], y[train_size:] # 标准 LSTM 模型 model Sequential([ # 第一层 LSTM50 个单元返回完整序列给下一层 LSTM(50, return_sequencesTrue, input_shape(lookback, 1)), Dropout(0.2), # 第二层 LSTM50 个单元只返回最后一个时间步的输出 LSTM(50, return_sequencesFalse), Dropout(0.2), Dense(1) # 输出层单个预测值 ]) model.compile(optimizeradam, lossmse) model.fit(X_train, y_train, epochs50, batch_size32, verbose0) # 预测并还原 predictions model.predict(X_test) predictions scaler.inverse_transform(predictions)结果预测值和真实值差了八千里。更离谱的是模型学会了取过去 60 天的均值——所有预测值都在一个水平线附近波动完全捕捉不到趋势和周期性。拉出 loss 曲线一看MAE平均绝对误差高达真实值的 23%。为什么翻车因为GMV 不是一个纯粹的随机序列——它包含明显的周周期周末高、周中低、季节性618、双11 暴涨、趋势业务增长或衰退、节假日效应。LSTM 试图用一个黑盒网络同时学习所有这些模式反而哪个都学不精。二、时序分解先把信号拆开再预测换个思路别试图让一个模型吃掉所有模式而是先把信号拆成趋势、周期、残差三个分量再分别处理。graph TD A[原始时序数据br/GMV 日序列] -- B[季节性分解br/STL / Prophet] B -- C[趋势分量br/长期增长或下降] B -- D[周期分量br/周/月/季/年规律] B -- E[残差分量br/噪声 突发事件] C -- C1[线性回归 / 指数平滑br/预测未来趋势] D -- D1[傅里叶级数 / 周期平均值br/预测未来周期] E -- E1[LSTM 轻量模型br/预测残差中的微小模式] C1 -- F[分量加和br/趋势 周期 残差] D1 -- F E1 -- F F -- G[最终预测结果br/相比原始 LSTM 误差降低 60%] style B fill:#f9f,stroke:#333,stroke-width:2px style F fill:#bbf,stroke:#333,stroke-width:2px分解后LSTM 只需要处理残差分量——那些去掉了趋势和周期后剩下的小波动。这让 LSTM 的训练难度急剧下降。这也是为什么分解法在数据量不大的业务场景下反而比端到端的深度学习更靠谱。from statsmodels.tsa.seasonal import STL import pandas as pd import numpy as np # 读取日度 GMV 数据index 设为日期 df pd.read_csv(daily_gmv.csv, parse_dates[date], index_coldate) ts df[gmv] # STL 分解把时间序列拆成趋势、季节、残差三部分 # period7 表示周周期7 天一周 # robustTrue 对异常值如大促期间的暴涨免疫 stl STL(ts, period7, robustTrue) result stl.fit() # 三个分量 trend result.trend # 趋势分量长期的增长或下降 seasonal result.seasonal # 季节分量以周为单位的周期波动 residual result.resid # 残差分量去掉趋势和周期后的噪声 print(f趋势分量范围: {trend.min():.0f} ~ {trend.max():.0f}) print(f季节分量范围: {seasonal.min():.0f} ~ {seasonal.max():.0f}) print(f残差标准差: {residual.std():.0f}) # ---------- 分别预测三个分量 ---------- # 1. 趋势预测用简单的霍尔特线性趋势 from statsmodels.tsa.holtwinters import ExponentialSmoothing trend_model ExponentialSmoothing( trend.dropna(), trendadd, # 加法趋势线性增长 seasonalNone ) trend_fit trend_model.fit() trend_forecast trend_fit.forecast(30) # 预测未来 30 天的趋势 # 2. 周期预测7 天的周周期直接取历史均值 # 周一到周日的模式相对稳定取过去 4 周的均值 seasonal_forecast [] for day_offset in range(30): # 计算预测日对应的星期几 weekday (len(seasonal) day_offset) % 7 # 取过去 4 周同一天的平均值作为预测 past_same_days [] for w in range(1, 5): idx len(seasonal) - 7 * w weekday - len(seasonal) % 7 if 0 idx len(seasonal): past_same_days.append(seasonal.iloc[idx]) seasonal_forecast.append(np.mean(past_same_days) if past_same_days else 0) seasonal_forecast np.array(seasonal_forecast) # 3. 残差预测轻量 LSTM 只在残差上工作 # 此时残差的分布已经接近白噪声LSTM 能学的模式非常有限 # 但依然可能存在一些微弱的自相关结构 # 这里简化处理直接用残差的近期均值因为残差本身就是噪声为主 residual_forecast np.full(30, residual.tail(60).mean()) # 汇总预测 final_forecast trend_forecast seasonal_forecast residual_forecast print(未来 30 天 GMV 预测前 5 天预览:) for i in range(5): print(f 第 {i1} 天: {final_forecast[i]:.0f})三、什么场景分解法更靠谱不是所有场景都适合分解法。判断标准很直接分解法更优的场景数据有明显的周期性规律周、月、季度、年周期GMV、DAU、订单量这类业务指标几乎都有周期数据量不大 2 年日数据LSTM 数据不够容易过拟合可解释性要求高需要跟业务方解释为什么预测涨/跌分解法每个分量都能独立解释存在异常值大促、节假日、宕机STL 的 robust 模式能自动处理直接 LSTM 更优的场景数据量极大 5 年细粒度数据LSTM 有足够样本学习复杂模式周期不固定或无周期如股价、汇率分解法拆不出稳定的季节分量多变量预测需要结合几十上百个外部特征温度、节假日、营销预算等一起预测对实时性要求极高需要做在线序列预测实测对比GMV 预测两年日数据MAE 越低越好from sklearn.metrics import mean_absolute_error # 对比三种方法在测试集上的 MAE # 1. 直接 LSTM如上文代码 lstm_mae mean_absolute_error(y_test_true, lstm_pred) print(f直接 LSTM MAE: {lstm_mae:.0f}) # 2. 单纯时序分解趋势周期残差均值 decompose_pred trend_test seasonal_test np.mean(residual_test) decompose_mae mean_absolute_error(y_test_true, decompose_pred) print(f时序分解 MAE: {decompose_mae:.0f}) # 3. 分解 LSTM 残差预测混合方案 hybrid_pred trend_test seasonal_test lstm_residual_pred hybrid_mae mean_absolute_error(y_test_true, hybrid_pred) print(f分解LSTM 残差 MAE: {hybrid_mae:.0f}) # 典型结果日 GMV 均值约 5000 万 # 直接 LSTM MAE: 1150 万误差 23% # 时序分解 MAE: 680 万误差 14% # 分解LSTM 残差 MAE: 420 万误差 8.4%分解 轻量 LSTM 的混合方案误差从 23% 直接降到 8.4%。四、Prophet 的一键分解方案如果你不想手动拼趋势、周期、残差Facebook 的 Prophet 是一站式解决方案from prophet import Prophet import pandas as pd # Prophet 要求的列名固定为 ds日期和 y目标值 df_prophet pd.DataFrame({ ds: df.index, y: df[gmv].values }) # 初始化模型 model Prophet( yearly_seasonalityTrue, # 年周期618、双11 等年度大促 weekly_seasonalityTrue, # 周周期工作日 vs 周末 daily_seasonalityFalse, # 日周期不常用 # 中国节假日对 GMV 影响巨大通过 holidays 参数注入 holidayspd.DataFrame({ holiday: 双11, ds: pd.to_datetime([2024-11-11, 2025-11-11]), lower_window: -5, # 提前 5 天开始预热期 upper_window: 2, # 延后 2 天是退货/收尾期 }), changepoint_prior_scale0.05 # 趋势变化的灵活度越大越敏感 ) model.fit(df_prophet) # 预测未来 30 天 future model.make_future_dataframe(periods30) forecast model.predict(future) # 提取预测结果 predicted forecast[[ds, yhat, yhat_lower, yhat_upper]].tail(30) print(predicted.head()) # Prophet 自动处理了趋势分解、周期建模、节假日效应 # yhat_lower 和 yhat_upper 是 80% 置信区间对业务决策很有用Prophet 的背后做的就是趋势 周期 节假日三大分量的自动分解和预测本质上就是我们在第二节手动做的事情只不过包装得更完善。五、总结时序预测这件事先分解、再预测的思路比一把梭 LSTM 更务实大多数业务指标都有强烈的周期性和趋势GMV、DAU、订单量、流量等指标趋势和周期解释了 70%~90% 的波动。直接把这两个分量拆出来用简单模型预测效果往往好过黑盒 LSTM。LSTM 的舞台在残差里分解后的残差分量更接近白噪声LSTM 只需要捕捉其中微弱的非线性模式训练快、不容易过拟合。Prophet 是懒人最佳选择如果不想手动 STL 分解、不想调参直接用 Prophet 一键搞定趋势周期节假日覆盖 80% 的业务预测需求。预测误差的可解释性比绝对精度更重要跟业务方说模型预测上涨因为去年同期是大促比说MSE 0.03管用一百倍。分解法的每个分量都能独立解释天然适合与业务沟通。最后记住一条经验法则数据量 2 年、业务周期性明显 → 分解法数据量 5 年、多变量复杂交互 → 直接神经网络。