技术白皮书

概率预测系统（Probabilistic Forecasting System）

—— 不确定性下的智能决策引擎

摘要

传统预测系统输出单一数值（如“下周销量=1000件”），在真实世界中往往因忽略不确定性而导致决策失误。概率预测系统（Probabilistic Forecasting System，简称PFS） 输出完整的概率分布，量化预测的不确定性，为风险决策、库存优化、资源调度提供科学依据。

本文提出一套端到端的概率预测技术架构，涵盖数据预处理、概率模型族（含时序模型、回归模型、深度学习模型）、不确定性量化方法、评估指标体系，以及B2B场景下的落地实践。

1. 背景与问题定义

1.1 确定性预测的局限性

1.2 概率预测的价值

从“告诉我会发生什么”到“告诉我可能发生什么，以及每种可能的概率”

• ✅ 量化风险

• ✅ 支持置信区间决策

• ✅ 实现库存、预算、人力的概率优化

2. 核心概念与定义

2.1 定义

概率预测系统（PFS） 是一类输出预测结果的概率分布（而非单一点估计）的预测系统，能够给出任意目标值出现的概率、预测区间、分位数以及完整的密度函数。

2.2 典型输出形式

2.3 与确定性预测的本质区别

3. 技术架构

PFS采用五层架构，形成从数据到决策的完整链路。

原始数据 → 数据层 → 特征层 → 概率预测层 → 决策层
                              │
              ┌───────────────┼───────────────┐
              ▼               ▼               ▼
         时序概率模型    回归概率模型    深度学习概率模型
              │               │               │
              └───────────────┼───────────────┘
                              ▼
                        不确定性量化
                              │
                              ▼
                    概率评估与校准

3.1 数据层（Data Layer）

• 时序数据（销量、流量、温度）

• 横截面数据（用户属性、产品属性）

• 事件数据（促销、天气、节假日）

3.2 特征层（Feature Layer）

• 时间特征（周期、趋势、季节性）

• 外生特征（价格、营销、竞品）

• 交互特征

3.3 概率预测层（Probabilistic Forecasting Layer）

3.3.1 时序概率模型

3.3.2 回归概率模型

3.3.3 深度学习概率模型

3.4 不确定性量化层（Uncertainty Quantification）

PFS区分并量化三种不确定性来源：

总预测方差 = 偶然方差 + 认知方差 + 分布漂移方差

3.5 决策层（Decision Layer）

将概率分布转化为具体业务动作：

• 库存优化：基于分位数设置安全库存（如Q95）

• 风控审批：违约概率 > 阈值则拒绝

• 销售目标：P50为保底目标，P75为挑战目标

• 资源调度：按预测区间配置弹性资源

4. 评估指标体系

概率预测需要专门的评估指标，单一RMSE/MAPE不再适用。

4.1 分位数评估

4.2 分布评估

4.3 校准度评估

4.4 评估指标体系图

概率预测评估
    ├── 准确度（CRPS、分位数损失）
    ├── 校准度（PIT、校准曲线）
    ├── 锐度（预测区间宽度）
    └── 计算效率（训练/推理时间）

5. 典型应用场景

5.1 供应链需求预测

业务问题：下月某SKU备货量

确定性预测：10000件 → 要么缺货，要么积压

概率预测输出：

• P10 = 8000（保守备货）

• P50 = 10000（基准备货）

• P90 = 13000（激进备货）

决策：设置安全库存为P95 = 12500件，缺货概率控制在5%以内

5.2 B2B销售线索评分

业务问题：某线索在未来30天内成单的概率

概率预测输出：

• 成单概率 = 23%

• 成单金额分布：Q50=5万，Q90=12万

决策：概率 > 20% 且金额 > 3万 → 分配SDR跟进

5.3 工业设备故障预警

业务问题：未来7天内设备故障概率

概率预测输出：

• 故障概率 = 8%（24h）、18%（72h）、35%（7d）

决策：72h概率 > 15% → 触发预防性维护工单

5.4 金融风控

业务问题：贷款申请违约概率

概率预测输出：

• PD = 4.2%（违约概率）

• EAD = 85%（违约时风险敞口）

• LGD = 35%（违约时损失率）

决策：EL = PD × EAD × LGD = 1.25% → 定价覆盖率

6. 与确定性预测的对比实验（示例）

7. 实施路线图（MVP → 成熟）

阶段一：基础分位数预测（1~2周）

• 选择1~2个核心业务指标

• 使用分位数回归或LightGBM分位数版本

• 输出P10、P50、P90

阶段二：时序概率模型（2~4周）

• 引入DeepAR或Prophet概率版

• 输出完整预测区间

• 建立CRPS评估体系

阶段三：不确定性量化 + 校准（4~6周）

• 区分偶然/认知不确定性

• 实现PIT校准诊断

• 添加模型不确定性校准层

阶段四：决策自动化（持续）

• 将分位数直接接入库存/风控/调度系统

• 建立反馈闭环，定期重校准

8. 常见挑战与应对

9. 总结

概率预测系统（PFS） 是确定性预测的下一代范式。

它不是“更复杂的预测模型”，而是更诚实的预测系统——承认不确定性、量化不确定性、利用不确定性做出更优决策。

对于供应链、金融、B2B销售、工业运维等需要风险决策的领域，PFS将从“锦上添花”变为“基础设施”。

确定性预测告诉你平均值，概率预测告诉你全部可能性。

附录

A. 推荐工具与库

B. 推荐阅读

• Gneiting, T., & Katzfuss, M. (2014). Probabilistic Forecasting

• Amazon Science: DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks