模型名称

类型

核心逻辑

优点

缺点

典型场景

移动平均

📈 统计模型

平均过去n期销量

简单稳定，易实现

忽略趋势与季节性

常规SKU、销量平稳

指数平滑

📈 统计模型

加权平均，越近权重越大

响应快，可适配趋势

参数敏感，不适合突变

月预测、轻趋势SKU

线性回归

🧮 统计建模

建模销量与因子间关系

可解释性强

假设线性关系，适应性弱

促销预测、有因子驱动的SKU

随机森林

🌲 机器学习

多决策树+投票/平均

抗过拟合，捕捉非线性

模型复杂，可解释性弱

多因子SKU、门店级预测

XGBoost

⚙️ 机器学习

迭代拟合残差，优化损失

精度高，效率快

需调参，黑箱性强

复杂SKU预测、大促前分析

LSTM

🤖 深度学习

记忆时间序列的长短期依赖

捕捉序列模式，强预测力

对数据要求高，训练复杂

日级预测、时间依赖性强

Prophet

🧭 混合模型

趋势 + 季节 + 假日成分

易用，业务友好

模型固定，灵活性差

季节性明显、节假日驱动类产品

🔎 图例说明：

  • 📈 统计模型：适合数据规律明显、业务节奏稳定

  • 🌲/⚙️ 机器学习：适合多因子驱动场景，精度高但需调优

  • 🤖 深度学习：适合海量数据和复杂预测任务

  • 🧭 Prophet 是 Meta 的可解释时间序列模型，适合业务快速部署