Time-Series Forecasting：TFT、DeepAR 与 Foundation Models
Forecasting 是把历史事件、未来已知因素、业务假设和不确定性转成决策输入。高阶能力不在笼统宣称“预测得准”，而在能说明预测在什么 horizon、什么粒度、什么分位数、什么数据可用性边界下可信，并如何驱动库存、排班、资金、额度和风险运营。
Time-Series Forecasting / TFT / DeepAR / Foundation Models 解读
本篇为经典论文精读（历史回顾/经典打底定位），机制正文以原论文为锚点；最新进展见文末「SOTA 检查」。
核心问题: 预测模型不能停留在“给一个点预测”。金融零售 AI 真正需要的是可回测、可解释、可治理，并能接入补货、排班、现金流、授信、客服容量和风险控制的 forecast-to-decision 系统。
Source Anchors
| Source | Link | 用途 |
|---|---|---|
| DeepAR | https://arxiv.org/abs/1704.04110 | 理解自回归 RNN 概率预测、跨序列学习和预测区间（论文 2017-04） |
| Temporal Fusion Transformer | https://arxiv.org/abs/1912.09363 | 理解多时间尺度、变量选择、可解释 attention 和分位数预测（论文 2019-12） |
| TimesFM | https://arxiv.org/abs/2310.10688 | 理解时间序列 foundation model、zero-shot/少样本预测和模型复用（论文 2023-10） |
| TimesFM implementation | https://github.com/google-research/timesfm | 参考时间序列 foundation model 的工程形态（访问日期: 2026-07-01） |
| Nixtla NeuralForecast | https://nixtlaverse.nixtla.io/neuralforecast/ | 参考 N-BEATS、NHITS、TFT、DeepAR 等模型的统一训练与回测工具（访问日期: 2026-07-01） |
| NIST AI RMF | https://www.nist.gov/itl/ai-risk-management-framework | 把预测系统纳入风险识别、测量、管理和治理（访问日期: 2026-07-01） |
核心导读
Forecasting 是把历史事件、未来已知因素、业务假设和不确定性转成决策输入。高阶能力不在笼统宣称“预测得准”，而在能说明预测在什么 horizon、什么粒度、什么分位数、什么数据可用性边界下可信，并如何驱动库存、排班、资金、额度和风险运营。
DeepAR、TFT、TimesFM 等模型代表不同技术路线: 跨序列概率学习、多变量可解释预测、预训练迁移能力。生产系统真正的分水岭是 point-in-time 特征、rolling backtest、概率预测、层级一致性、人工 override 和预测后的业务反馈。
问题定义
时间序列预测常被误当成报表趋势线。企业 AI 场景中，它实际连接四类决策:
| 决策类型 | 场景 | 预测输出如何被使用 |
|---|---|---|
| Capacity decision | 呼叫中心进线量、云资源、网点柜员、风控审查队列 | 决定人力、班次、SLA buffer、外包弹性 |
| Inventory / supply decision | 门店 SKU、促销补货、仓网调拨 | 决定订货量、安全库存、缺货和滞销风险 |
| Financial planning | 现金流、存款流失、贷款提款、坏账拨备 | 决定流动性 buffer、资金成本、限额和压力测试 |
| Risk operations | 欺诈告警量、AML case、投诉量、模型漂移告警 | 决定审核容量、阈值调整和 incident readiness |
预测问题应从决策动作倒推:
decision action
-> required entity and granularity
-> horizon and update frequency
-> uncertainty requirement
-> error cost
-> forecast model and governance
如果客服排班按技能组半小时决策，就不应只做全渠道日级预测。如果资金管理关注尾部提款，就不能只看 P50 点预测。
核心原理
时间序列预测的底层机制包括趋势、季节性、事件冲击、外生变量、层级结构和不确定性。现代深度模型的价值在于把这些机制放进可训练的跨序列框架。
DeepAR
DeepAR 用自回归 RNN 学习大量相关序列，并输出概率分布。它适合 SKU-门店、客户群、产品线、网点等大量稀疏但相关的序列。
| 机制 | 含义 | 架构启发 |
|---|---|---|
| Autoregressive | 逐步使用过去值预测未来 | 需要管理递归误差累积 |
| Probabilistic output | 输出分布而非单值 | 支持安全库存、人力 buffer、资金压力区间 |
| Covariates | 使用价格、节假日、活动、属性等变量 | 必须区分历史可得和未来已知特征 |
| Cross-series learning | 多序列共享参数 | 改善长尾序列和冷启动序列 |
Temporal Fusion Transformer
TFT 将静态变量、历史变量、未来已知变量放入结构化网络，通过变量选择和 attention 提供解释线索，并支持分位数预测。Attention 可辅助复盘，但不能当作严格因果证据。
TimesFM 和时间序列 Foundation Model
Foundation model 适合快速 baseline、短历史、多序列快速试验和产品 discovery。它不适合直接替代领域校准、层级一致性、业务事件特征、回测和监管解释。
系统/架构模型
Forecast-to-decision 架构:
source systems
-> event/time-series lake
-> series registry
-> point-in-time feature layer
-> model training and backtest service
-> forecast model registry
-> scenario service
-> forecast API
-> decision adapter
-> override workflow
-> actuals and outcome feedback
-> monitoring and governance
关键组件:
| 组件 | 职责 |
|---|---|
| Series registry | 定义每条序列的实体、粒度、层级、生命周期和业务 owner |
| Feature availability matrix | 说明每个特征在预测时是否真的可用 |
| Backtest service | 用 rolling 或 expanding window 模拟生产 cutoff |
| Forecast registry | 记录模型版本、训练数据、回测结果、适用范围和限制 |
| Scenario service | 管理促销、价格、利率、节假日、政策、天气等未来假设 |
| Decision adapter | 把 P50/P90/P95 转成订货、排班、限额、审核容量等动作 |
| Override workflow | 允许业务修正，但记录原因、权限、影响和后续评估 |
| Monitoring | 追踪误差、校准、漂移、业务损失、override rate 和模型退化 |
关键机制与取舍
| 取舍 | 判断方式 |
|---|---|
| 点预测 vs 概率预测 | 低风险计划可用点预测，容量、资金、库存和风险运营需要分位数 |
| Local model vs global model | 单序列稳定且数据足够可 local，大量相关长尾序列更适合 global |
| DeepAR vs TFT | DeepAR 强在跨序列概率学习，TFT 更适合多变量和解释性要求 |
| Foundation model vs domain model | Foundation model 加速 baseline，关键决策仍需领域校准和回测 |
| Bottom-up vs top-down hierarchy | 细粒度动作优先 bottom-up，总量预算优先 top-down，实际常需 reconciliation |
| 预测精度 vs 决策成本 | MAPE 更低不一定业务更优，必须用业务损失函数评估 |
| 人工 override vs 模型一致性 | Override 必须允许，但要隔离、原因码、审计和反馈治理 |
层级预测的核心不是“每层都准”，而是管理总部、区域、门店、SKU、产品线和客群之间的一致性。一个总量准确但门店分配错误的预测，对补货决策仍然无效。
证据与控制
时间序列最常见事故是未来信息泄漏。控制必须围绕 point-in-time correctness:
| 泄漏类型 | 例子 | 控制方式 |
|---|---|---|
| Future actuals | 训练时用了预测时不可见的销量、坏账、投诉结果 | point-in-time feature store |
| Late arriving data | 事件发生早但系统入库晚 | event time 与 processing time 分离 |
| Calendar leakage | 用了发布后才知道的活动信息 | feature availability matrix |
| Manual override leakage | 业务修正后的预测被当成真实需求 | 分离 forecast、override、actual |
| Reconciliation leakage | 汇总后再回填细粒度真实信息 | 回测流程模拟生产路径 |
评估要从模型指标延伸到业务指标:
- Pinball loss 评估分位数预测。
- Coverage 评估预测区间是否覆盖真实值。
- Calibration 评估 P90 是否约 90% 覆盖。
- WAPE/MAPE/MASE 提供业务可解释误差。
- Decision cost 比较缺货、积压、加班、投诉、资金成本和风险损失。
最低可用回测流程:
cutoff date
-> feature snapshot
-> forecast
-> decision simulation
-> compare actual
-> error, calibration and business-cost report
AI产品/金融零售场景
客服进线量与排班
输入包括历史进线、渠道、产品、节假日、发薪日、营销活动、系统故障。输出应为技能组每 30 分钟 P50/P90 进线量。决策是班次、人力调度、外包 buffer 和 SLA 风险提示。控制重点是 P90 只在高风险窗口启用，manager override 必须带原因码。
流动性和现金流预测
输入包括存款余额、提款、贷款放款、还款、利率、工资日、季末和企业客户周期。输出是产品线和地区级现金流预测区间，接入 treasury stress scenarios 和 ALM 流程。尾部低估比平均误差更危险。
零售补货和促销需求
输入包括 SKU-门店销量、库存、价格、促销、天气、假日、竞品活动。输出是 SKU-门店 P50/P90 需求，用于补货、安全库存、调拨和促销备货。促销变量必须有 scenario versioning，否则活动计划变更会直接破坏预测。
AI 平台容量预测
预测 token、model call、latency、cache hit 和工具调用量，用于模型路由、限流、容量采购和成本控制。这里预测错误会变成 SLO 和预算事故。
反模式
- 用随机 train/test split 评估时间序列，造成未来信息泄漏。
- 只看 MAPE，不看分位数校准、业务损失和错误成本不对称。
- 预测粒度与真实决策粒度不匹配。
- 把 P50 当成所有计划的唯一输入，忽略尾部风险。
- Foundation model 直接接生产决策，缺少领域校准、回测和解释。
- 人工 override 覆盖预测但没有记录原因，后续训练被污染。
- 多层级预测无法 reconciliation，导致总部和门店口径冲突。
最终心智模型
Forecasting 不是 dashboard，而是带不确定性管理的决策操作系统。模型负责产生概率化未来视图，架构负责保证特征在当时可用、回测模拟真实生产、预测接入决策动作、人工覆盖可审计、结果能反馈。
判断一个预测系统是否成熟，不看它用了 DeepAR、TFT 还是 TimesFM，而看它能否回答: 在这个决策粒度和 horizon 下，哪些特征可用，预测区间是否校准，错误成本如何计算，业务如何覆盖，真实后果如何回流。
SOTA 检查 (2026-07-01)
- 时间序列 foundation model 已形成三强格局并在 2025 年完成一轮换代：Google TimesFM 2.5（约 200M 参数，曾在 GIFT-Eval 零样本榜居首）、Amazon Chronos-2（arXiv 2510.15821，2025-10-20 发布，120M 参数）、Salesforce MOIRAI-MoE。本篇正文以 TimesFM 初版（2023-10）为 foundation model 锚点，机制框架仍成立，但"当前最强模型"已多次易主。
- Chronos-2（2025-10）把 foundation model 从单变量推进到"通用预测"：零样本原生支持多变量与外生协变量（covariate-informed forecasting），在 GIFT-Eval 上超过此前最强的 TimesFM-2.5 与 TiRex。这直接削弱了本篇"foundation model 只适合快速 baseline、多变量/协变量场景要靠 TFT 类领域模型"这一结论的前半部分——协变量能力差距正在缩小，但领域校准、层级 reconciliation、回测和监管解释仍是 foundation model 未覆盖的空白（本篇该结论仍成立）。
- 评测基准已标准化为 GIFT-Eval（arXiv 2410.10393，2024-10，Salesforce 维护，约 24-28 个数据集/97 个测试配置的零样本榜单）：任何"我们的预测模型达到 SOTA"的说法现在应先问"GIFT-Eval 零样本榜上排第几"。小模型趋势明显——IBM FlowState（2025，9.1M 参数，SSM 架构）以最小体量进入零样本 Top 10 并一度位列第二，说明参数规模不再是该领域的护城河。
- DeepAR（2017-04）与 TFT（2019-12）作为"从零训练的领域监督模型"不再是精度 SOTA，但仍是生产系统常见选择（Nixtla NeuralForecast、AWS 等工具链持续维护），且是理解概率预测/分位数损失/变量选择机制的最佳教学锚点。合理的 2026 年默认路径是：Chronos-2 或 TimesFM 2.5 做零样本 baseline → 有足够数据和定制需求时再上 TFT/N-HiTS 类领域模型微调对比。
- 不随版本过时的框架性结论：本篇的 forecast-to-decision 架构（point-in-time 特征、rolling backtest、分位数校准/pinball loss、层级 reconciliation、override 审计、业务损失函数评估）与"从决策动作倒推预测问题定义"的方法论，对 foundation model 与领域模型同样适用——foundation model 换代只替换 "model training and backtest service" 中的模型组件，不替换治理与决策链路。
- 库内配套：本仓库另有需求预测产品化视角的
docs/AI_FORECASTING_DEMAND_PLANNING_PRODUCT_ARCHITECTURE_PLAYBOOK.md，可与本篇的论文机制视角互补阅读。
参考（含日期）：Amazon Science "Introducing Chronos-2"（2025-10）、arXiv 2510.15821（2025-10）、arXiv 2410.10393 GIFT-Eval（2024-10）、IBM Research FlowState 博客（2025）、MachineLearningMastery "The 2026 Time Series Toolkit"（2026）。