设计预测模型
通过预测模型 ，您可以排列和配置磁贴，以定义预测配置文件做出的预测配置文件预测。 每个模型都提供一个流程图，以图形方式表示模型进行的计算。
需求预测算法
需求计划包括三种流行的需求预测算法： auto-ARIMA、 ETS 和 Prophet。 您使用的需求预测算法取决于历史数据的特定特征。
- 当数据遵循稳定模式时，Auto-ARIMA 最有效。
- 错误、趋势和季节性（ETS）是具有趋势或季节性的数据的通用选择。
- 对于复杂的真实数据，Prophet 最有效。
需求计划还提供 最佳拟合 模型（自动为每个产品和维度组合选择最佳可用算法）以及开发和使用您自己的自定义模型的功能。
通过了解这些算法及其优势，您可以做出明智的决策来优化供应链并满足客户需求。
此部分介绍每种算法的工作原理及其对不同类型的历史需求数据的适用性。
最佳拟合模型
最佳拟合模型会自动查找其他哪些算法（auto-ARIMA、ETS 或 Prophet）最适合每个产品和维度组合的数据。 这样，不同的产品可以使用不同的模型。 在大多数情况下，我们建议使用最佳拟合模型，因为它综合了所有其他标准模型的优势。 以下示例说明了如何操作。
假设您拥有历史需求时序数据，其中包括下表中列出的维度组合。
| 产品 | 商店 |
|---|---|
| A | 1 |
| A | 2 |
| B | 1 |
| B | 2 |
当您使用 Prophet 模型运行预测计算时，您将获得以下结果。 在此示例中，系统始终使用 Prophet 模型，而不管每个产品和维度组合的计算平均绝对百分比误差（MAPE）如何。
| 产品 | 商店 | 预测模型 | MAPE |
|---|---|---|---|
| A | 1 | 先知 | 0.12 |
| A | 2 | 先知 | 0.56 |
| B | 1 | 先知 | 0.65 |
| B | 2 | 先知 | 0.09 |
当您使用 ETS 模型运行预测计算时，您将获得以下结果。 在本示例中，无论每个产品和维度组合的计算 MAPE 如何，系统始终使用 ETS 模型。
| 产品 | 商店 | 预测模型 | MAPE |
|---|---|---|---|
| A | 1 | ETS 公司 | 0.18 |
| A | 2 | ETS 公司 | 0.15 |
| B | 1 | ETS 公司 | 0.21 |
| B | 2 | ETS 公司 | 0.31 |
当您使用最佳拟合模型运行预测计算时，系统将优化每个产品和维度组合的模型选择。 选择会根据历史销售数据中的模式而变化。
| 产品 | 商店 | 先知马佩 | 自动 ARIMA MAPE | ETS 地图 | 最佳拟合预测模型 | 最适合 MAPE |
|---|---|---|---|---|---|---|
| A | 1 | 0.12 | 0.34 | 0.18 | 先知 | 0.12 |
| A | 2 | 0.56 | 0.23 | 0.15 | ETS 公司 | 0.15 |
| B | 1 | 0.65 | 0.09 | 0.21 | 自动 ARIMA | 0.09 |
| B | 2 | 0.10 | 0.27 | 0.31 | 先知 | 0.10 |
下图显示了未来 9 个月所有维度（所有商店中的所有产品）的总体销售预测（使用三个不同的预测模型得出）。 绿线表示最适合的模型。 由于最佳拟合为每个产品和维度组合选择最佳预测模型，因此它避免了强制对所有维度组合使用单个模型而可能出现的异常值。 因此，总体最佳拟合预测与单模型预测的平均值相似。
图例：
- 红色 = 唯一的先知
- 蓝色 = 仅 ETS
- 绿色 = 最适合
Auto-ARIMA：深受时间旅行者喜欢
Auto-ARIMA 算法就像一台时间机器：它带您回顾过去的需求模式，以便您可以对未来做出明智的预测。 Auto-ARIMA 使用一种称为自回归整合移动平均 (ARIMA) 的技术。 该技术结合了三个关键组成部分：自回归、差分和移动平均。 Auto-ARIMA 算法会自动识别这些组成部分的最佳组合，以创建适合您的数据的预测模型。
Auto-ARIMA 特别适用于显示随时间推移的稳定模式的时序数据，例如季节性波动或趋势。 如果您的历史需求遵循相当一致的路径，Auto-ARIMA 可能是您的首选预测方法。
ETS：变形者
误差、趋势和季节性（ETS）是一种通用的需求预测算法，可适应数据的形状。 它可以根据您的历史需求的特征来改变其方法。 因此，它适用于广泛的场景。
ETS 名称是该算法将时序数据分解为三个基本组成部分的缩写：误差、趋势和季节性。 通过理解和建模这些组成部分，ETS 生成捕获数据中潜在模式的预测。 它最适用于显示清晰的季节性模式、趋势或两者兼而有之的数据。 因此，对于产品或服务受到季节性影响的企业来说，这是一个绝佳的选择。
Prophet：富有远见的预测大师
Prophet 由 Facebook 的研究团队开发。 它是一种现代且灵活的预测算法，可以应对真实世界数据的挑战。 它在处理缺失值、离群值和复杂模式方面特别有效。
Prophet 的工作原理是将时序数据分解为多个组成部分，例如趋势、季节性和假期，然后为每个组成部分拟合一个模型。 此方法使 Prophet 能够准确捕获数据中的细微差别并生成可靠的预测。 Prophet 非常适合需求模式不规则或经常出现离群值的企业，或者受假期或促销等特殊事件影响的企业。
自定义 Azure 机器学习算法
如果您有想要与预测模型一起使用的自定义 Microsoft Azure 机器学习算法，可以在需求计划中使用它。
创建和自定义预测模型
若要创建和自定义预测模型，您必须首先打开现有的预测配置文件。 （有关详细信息，请参阅使用预测配置文件。）然后，您可以通过添加、删除和排列磁贴以及为每个磁贴配置设置来完全自定义所选配置文件使用的模型。
按照以下步骤创建和自定义预测模型。
- 在导航窗格上，选择操作>预测配置文件。
- 选择您要为其创建或自定义预测模型的预测配置文件。
- 在预测模型选项卡上，流程图顶部始终至少有一个磁贴（属于输入类型）。 模型从上到下处理，并且最后一个磁贴必须是保存类型的磁贴。 根据需要添加、删除和排列磁贴，并为每个磁贴配置设置。 有关指南，请参阅此过程后面的插图。
- 完成预测模型设计后，选择右上角的验证按钮
。 系统会运行一些测试来验证您的模型是否有效，然后提供反馈。 修复验证测试报告的任何问题。 - 继续工作，直到您的模型准备就绪。 然后，在操作窗格上，选择保存。
- 如果您要将预测模型另存为预设，以便在您和其他用户创建新的预测配置文件时可以使用该模型，请选择右上角的另存为模型模板按钮
。
下图显示了预测模型中可用于磁贴的信息和控件。
图例：
磁贴图标 –表示磁贴用途的符号。
磁贴类型 –磁贴的类型。 此文本通常描述该磁贴所表示的角色、计算或其他操作的类型。
磁贴名称 - 应用于磁贴的名称。 有时，您可以在磁贴的设置中手动输入此文本。 但是，它通常指示为磁贴配置的设置之一的值。
磁贴操作 - 打开可在磁贴上执行的操作菜单。 尽管其中一些操作特定于磁贴类型，但大多数操作通用于所有磁贴。 如果任何操作灰显，则它们将由于磁贴的当前位置或其他一些上下文原因而无法使用。 以下是一些可用的常见操作：
- 设置 –打开一个对话框，您可以在其中配置磁贴的设置。
- 删除 –删除磁贴。
- 上 移和 下 移–重新定位流程图中的磁贴。
- 设置为“直通 –暂时禁用当前启用的磁贴，而不删除它或其设置。
- 取消设置“直通 –重新启用当前禁用的磁贴。
添加磁贴 –在所选位置添加新磁贴。
预测磁贴类型
此部分介绍每种类型的预测磁贴的用途。 它还解释了如何使用和配置每种类型。
输入磁贴
输入 磁贴表示为预测模型提供输入的时序。 时序是在输入数据选项卡的已包括选项卡上列出的时序。您无法编辑该名称。
输入 磁贴只有一个字段可供您设置： 填充缺失值。
处理离群值磁贴
处理离群值磁 贴标识和补偿输入中的离群值数据点。 这些数据点被视为异常，应忽略或解决，以防止它们影响预测计算。
处理离群值 磁贴具有以下可设置的字段：
处理离群值 - 选择以下选项之一：
- 四分位距（IQR）
- 使用黄土（STL）进行季节性和趋势分解
四分位距乘数 –仅当“处理异常值 ”字段设置为 IQR 时，本字段才可用。
更正方法 –仅当“处理异常值 ”字段设置为 IQR 时，本字段才可用。
季节性提示 –仅当“处理离群 值”字段设置为 STL 时，本字段才可用。
预测磁贴
预测 磁贴将选定的预测算法应用于输入时间序列以创建预测时间序列。
预测 磁贴只有一个字段可供您设置： 模型类型。 使用它选择要使用的预测算法。 有关每种可用算法的详细信息，请参阅需求预测算法部分。 选择以下算法之一：
- ARIMA –自动回归集成移动平均
- ETS –误差、趋势、季节性
- 先知 - Facebook 先知
- 最适合模型
财务和运营 - Azure 机器学习磁贴
如果您已在 Supply Chain Management 中使用自己的 Azure 机器学习算法进行需求预测（如需求预测概述中所述），当使用需求计划时，您可以继续使用它们。 只需在您的预测模型中放入财务和运营 - Azure 机器学习磁贴，而不是预测磁贴。
有关如何设置需求计划以连接到和使用 Azure 机器学习算法的信息，请参阅在需求计划中使用自己的自定义 Azure 机器学习算法。
逐步实施/淘汰磁贴
暂入/暂出 磁贴修改时间序列中数据列的值，以模拟新元素（例如新产品或仓库）的逐步引入或旧元素的逐步退出。 逐步实施/淘汰计算持续一段特定时间，并使用从相同时序（来自要调整的相同数据列或代表类似元素的另一个数据列）提取的值。
暂入/暂出 磁贴具有您可以设置的以下字段：
- 步骤名称 –磁贴的特定名称。 该名称也显示在流程图中。
- 描述 –磁贴的简短描述。
- 创建者 - 创建磁贴的用户。
- 规则组 –定义磁贴执行的计算的规则组的名称。
当您设置预测模型时，逐步实施/淘汰 磁贴的位置会影响计算结果。 若要将逐步实施/淘汰计算应用于历史销售量，请在预测 磁贴前面放置逐步实施/淘汰 磁贴（如下图左侧所示）。 若要将逐步实施/淘汰计算应用于预测结果，请在预测 磁贴后面放置逐步实施/淘汰 磁贴（如下图右侧所示）。
有关逐步实施/淘汰功能的详细信息，包括有关如何设置逐步实施/淘汰规则组的详细信息，请参阅使用逐步实施/淘汰功能来模拟已计划更改。
保存磁贴
保存 磁贴可将预测模型的结果另存为新的或更新的系列。 所有预测模型必须以单个保存磁贴结束。
将根据您每次运行预测作业时配置的设置保存预测时序，如使用预测配置文件中所述。