TS概率预测系统（Probabilistic Forecasting System）白皮书
—— 不确定性下的智能决策引擎
技术支持：拓世网络技术开发部
适用领域
v1.0 2026-04-18 AI Technical Architecture Group 金融风控 / 供应链 / B2B销售 / 工业物联网
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。
拓世网络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
问题 示例
无法表达置信度 “下周销量1000件”——实际可能是800~1200，也可能是500~2000
极端值风险被隐藏 预测均值正常，但5%概率发生灾难性缺货
决策无法分层 激进vs保守策略需要不同分位数
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
输出类型 示例
预测区间 “90%概率下，下周销量在[850, 1150]之间”
分位数 “Q50=1000, Q10=850, Q90=1150”
概率密度函数 “销量=950的概率为0.8%”
累积分布函数 “销量≤900的概率为15%”
情景概率 “缺货概率=8%，爆仓概率=3%”
2.3 与确定性预测的本质区别
维度 确定性预测 概率预测
输出 单一数值 概率分布
不确定性表达 无 完整量化
风险决策支持 弱 强
模型类型 点估计模型 分布估计模型
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。
text
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
模型 特点 适用场景
概率ARIMA 经典、可解释 稳定时序
GARCH 波动率建模 金融波动
贝叶斯结构时序（BSTS） 因果推断+不确定性 含干预事件的时序
Prophet（概率版） 易用、鲁棒 商业KPI预测
3.3.2 回归概率模型
模型 不确定性来源 输出形式
分位数回归 不同分位数分别建模 任意分位数
贝叶斯线性回归 参数后验分布 预测分布
高斯过程回归 函数空间先验 均值和方差
3.3.3 深度学习概率模型
模型 架构特点 输出形式
DeepAR (Amazon) RNN + 似然参数输出 负二项/高斯分布参数
N-BEATS 残差+可解释性 点估计+区间
Transformer (概率版) Attention + 分位数输出 多分位数
贝叶斯神经网络 Dropout近似贝叶斯 预测分布
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：
不确定性类型 来源 是否可降低
偶然不确定性（Aleatoric） 数据本身噪声 否
认知不确定性（Epistemic） 模型知识不足 是（更多数据）
分布不确定性（Distributional） 数据分布变化 部分可检测
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
指标 公式 含义
分位数损失（Quantile Loss） ρ_τ(y - ŷ) 非对称损失，低估/高估惩罚不同
Winkler Score 区间宽度 + 超出惩罚 预测区间质量
4.2 分布评估
指标 含义 理想值
CRPS（Continuous Ranked Probability Score） 累积分布与真实值的距离 越小越好
对数似然（Log-Likelihood） 真实值在预测分布下的概率 越大越好
4.3 校准度评估
指标 含义 理想值
概率积分变换（PIT） 均匀性检验 均匀分布
校准曲线 预测概率 vs 实际频率 对角线
4.4 评估指标体系图
text
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）
维度 确定性预测（点估计） 概率预测（分布）
预测值 1000 Q50=1000, Q90=1300
实际值 1250 1250
绝对误差 250 —
是否在区间内 无法判断 ✅ 在90%区间内
备货建议 1000件 保守备1250件（P90）
缺货概率 无法给出 约10%
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
挑战 应对策略
数据稀疏 使用分层贝叶斯模型，借力全局信息
分布漂移 引入在线学习 + 漂移检测（如DDM）
计算开销 分位数直接输出（如LightGBM）vs 完整分布（MCMC采样权衡）
业务接受度 从“预测区间”开始，逐步引入概率概念
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
工具 适用场景
Prophet（Meta） 商业KPI快速概率预测
DeepAR（Amazon/GluonTS） 大规模时序概率预测
LightGBM（分位数） 表格数据分位数回归
Pyro / NumPyro 贝叶斯概率编程
scikit-learn（GPR） 高斯过程回归
B. 推荐阅读
Gneiting, T., & Katzfuss, M. (2014). Probabilistic Forecasting
Amazon Science: DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks
