10个SKU批量时间序列预测问题排查：仅用24个月数据生成预测

核心问题点 #

• 训练数据未充分利用：代码硬编码train_size=24，仅用前24个月数据训练，而非全部36个月历史数据生成未来预测。
• 预测目标错误：当前预测的是25-36月的测试集数据（共12个月），而非需求的未来3个月。
• SKU数据丢失：循环中每次迭代会覆盖naive_forecast_values等变量，最终仅保留最后一个SKU的预测结果，其余9个SKU的数据全部丢失。
• MA模型实现错误：用ExponentialSmoothing模拟移动平均是错误的，需改用合适的移动平均计算方式。

修正后的完整代码 #

import pandas as pd
import numpy as np
from statsmodels.tsa.api import SimpleExpSmoothing, ExponentialSmoothing, SARIMAX
from sklearn.metrics import mean_squared_error

# 加载数据
data = pd.read_csv('sales_data.csv', index_col=0)

# 初始化存储所有SKU预测结果的字典
all_forecasts = {
    'SKU': [],
    'Naive_Month1': [],
    'Naive_Month2': [],
    'Naive_Month3': [],
    'ARIMA_Month1': [],
    'ARIMA_Month2': [],
    'ARIMA_Month3': [],
    'Holt_Month1': [],
    'Holt_Month2': [],
    'Holt_Month3': [],
    'SES_Month1': [],
    'SES_Month2': [],
    'SES_Month3': [],
    'MA_Month1': [],
    'MA_Month2': [],
    'MA_Month3': []
}

# 定义未来需要预测的月份数
forecast_steps = 3

# 遍历每个SKU
for sku in data.index:
    print(f"处理SKU: {sku}")
    
    # 获取当前SKU的全部36个月销售数据
    sales_data = data.loc[sku].values
    
    # ----------------------
    # 1. 简单朴素法 (SNaive)
    # ----------------------
    # 朴素法用最后一个观测值作为未来预测
    naive_forecast = np.repeat(sales_data[-1], forecast_steps)
    
    # ----------------------
    # 2. ARIMA模型
    # ----------------------
    arima_model = SARIMAX(sales_data, order=(1, 0, 1), seasonal_order=(1, 1, 1, 12), 
                          enforce_stationarity=False, enforce_invertibility=False)
    arima_results = arima_model.fit(disp=False)
    arima_forecast = arima_results.forecast(steps=forecast_steps)
    
    # ----------------------
    # 3. Holt's 指数平滑法
    # ----------------------
    holt_model = ExponentialSmoothing(sales_data, trend='add', seasonal='add', seasonal_periods=12)
    holt_results = holt_model.fit()
    holt_forecast = holt_results.forecast(steps=forecast_steps)
    
    # ----------------------
    # 4. 简单指数平滑法 (SES)
    # ----------------------
    ses_model = SimpleExpSmoothing(sales_data)
    ses_results = ses_model.fit()
    ses_forecast = ses_results.forecast(steps=forecast_steps)
    
    # ----------------------
    # 5. 移动平均法 (MA)
    # ----------------------
    # 使用最近12个月的移动平均值作为预测（可根据需求调整窗口大小）
    ma_window = 12
    ma_forecast = np.repeat(np.mean(sales_data[-ma_window:]), forecast_steps)
    
    # 将当前SKU的预测结果存入字典
    all_forecasts['SKU'].append(sku)
    # 朴素法
    all_forecasts['Naive_Month1'].append(naive_forecast[0])
    all_forecasts['Naive_Month2'].append(naive_forecast[1])
    all_forecasts['Naive_Month3'].append(naive_forecast[2])
    # ARIMA
    all_forecasts['ARIMA_Month1'].append(arima_forecast[0])
    all_forecasts['ARIMA_Month2'].append(arima_forecast[1])
    all_forecasts['ARIMA_Month3'].append(arima_forecast[2])
    # Holt's
    all_forecasts['Holt_Month1'].append(holt_forecast[0])
    all_forecasts['Holt_Month2'].append(holt_forecast[1])
    all_forecasts['Holt_Month3'].append(holt_forecast[2])
    # SES
    all_forecasts['SES_Month1'].append(ses_forecast[0])
    all_forecasts['SES_Month2'].append(ses_forecast[1])
    all_forecasts['SES_Month3'].append(ses_forecast[2])
    # MA
    all_forecasts['MA_Month1'].append(ma_forecast[0])
    all_forecasts['MA_Month2'].append(ma_forecast[1])
    all_forecasts['MA_Month3'].append(ma_forecast[2])
    
    # 打印当前SKU的预测结果（可选）
    print(f"{sku} 未来3个月预测完成")

# 转换为DataFrame
forecast_df = pd.DataFrame(all_forecasts)
# 设置SKU为索引
forecast_df.set_index('SKU', inplace=True)
# 四舍五入为整数（销售数据通常为整数）
forecast_df = forecast_df.round().astype(int)

# 导出到Excel
forecast_df.to_excel('sku_forecasts.xlsx', index_label='SKU')
print("所有SKU预测结果已导出到sku_forecasts.xlsx")

关键修正说明 #

1. 全量数据训练：移除训练/测试拆分，直接使用全部36个月数据训练模型，确保预测基于完整历史信息。
2. 目标预测调整：设置forecast_steps=3，明确生成未来3个月的预测值。
3. 多SKU结果存储：用结构化字典存储每个SKU的所有预测结果，避免变量覆盖导致的数据丢失。
4. MA模型修正：改用最近N个月的平均值作为移动平均预测（示例用12个月窗口，可按需调整）。
5. 结果格式化：将预测结果按SKU+月份+方法的结构整理，导出的Excel更易阅读和分析。

内容的提问来源于stack exchange，提问作者Red Eye