从月度时间序列预测转每日预测的技术问题咨询

一、每日预测是否可行？ #

当然可行，只是和月度预测的思路差异明显：

• 月度数据靠聚合效应压平了噪声，趋势、年度季节性确实更容易识别，但日度数据能捕捉更细粒度的规律——比如周内工作日的销量差异、短期促销的即时效果、突发天气对当日销量的影响，这些都是月度数据会掩盖的关键细节。
• 针对日度数据噪声大、季节性识别难的问题，可以通过这些方式解决：
  • 预处理降噪：用7天/14天移动平均平滑原始数据，减少随机波动；
  • 选适配模型：Facebook Prophet天生支持多周期季节性（周、月、年）和节假日调整，上手门槛低；树模型（XGBoost、LightGBM）可手动提取周几、月份、节假日等特征，让模型自主学习规律；深度学习模型（LSTM、Transformer）适合捕捉长短期依赖关系；
  • 深挖日度特征：重点提取周循环（周一至周六的固定模式）、月循环（每月特定日期的销量规律）、年度循环（如春节、双十一的周期性峰值），将这些特征输入模型，比仅用原始销量数据的效果好得多。

二、周日及节假日销量为0的处理方法 #

这类有明确业务规则的零销量日期，可通过以下实用方式处理：

• 添加二进制特征：创建is_sunday、is_holiday两个0/1特征，模型会快速学习到“当特征为1时，销量为0”的逻辑。使用Prophet的话，直接将这些日期加入节假日列表并设置窗口为0，模型会自动在对应日期输出0；
• 拆分数据集分层建模：将数据分为「正常营业日」和「周日/节假日」两组，正常营业日用模型预测，周日/节假日直接输出0。这种方式最直接，完全避免零值干扰模型学习；
• 给模型添加约束：若使用机器学习模型，训练时可给周日/节假日样本设置强制输出0的规则，或调整损失函数，提高这些样本的预测误差权重，确保模型不会给出非零结果；
• 规则优先的混合方案：预测前先判断目标日期是否为周日/节假日，若是则直接输出0，否则再调用模型预测。这种规则+模型的组合，既符合业务逻辑，又避免模型无效猜测。

学习资源推荐 #

• 《Forecasting: Principles and Practice》（第3版）：专门设有日度时间序列预测章节，涵盖多周期季节性、节假日处理等核心内容；
• Facebook Prophet官方指南：针对日度数据和节假日的处理有详细实操示例，可快速上手；
• Kaggle零售销量竞赛项目：大量公开案例涉及日度数据、零销量日期处理，参考参赛者的特征工程和建模思路，比纯理论学习更高效。

内容的提问来源于stack exchange，提问作者Gautham A