当前位置：首页 > news >正文

MathorCup时间序列预测实战：ARIMA与LSTM模型融合全解析

news 2026/8/15 2:36:11

1. 项目概述：从竞赛题目到可复现的技术方案

刚带完今年的MathorCup，看到不少同学在C题上卡壳，尤其是数据处理和模型构建部分。这个题目本质上是一个典型的时间序列预测与优化问题，但题干信息往往比较“骨感”，需要参赛者自己补全大量的技术细节和逻辑链条。很多人拿到“完整解析”或“代码”后，依然不知道怎么用，或者结果跑出来和预期相差甚远。这篇内容，我就以2024年MathorCup C题为蓝本，抛开那些笼统的步骤说明，深入拆解从题目理解、数据清洗、到ARIMA与LSTM模型实战，再到结果融合与论文写作的每一个技术环节。我会把那些官方指导书里不会写、但实际建模中一定会遇到的“坑”和技巧，结合具体的Python代码，给你讲透。无论你是初次参赛的新手，还是想提升建模功底的老手，这篇内容都能让你获得一套可以直接“抄作业”的完整技术方案和思考框架。

2. 赛题核心剖析与解题思路设计

2.1 题目本质与问题拆解

拿到C题，第一步不是急着找数据或写代码，而是彻底读懂题目在问什么。以典型的预测类赛题为例，题目描述可能围绕“某产品未来销量预测”、“物流中心需求波动分析”等场景。其核心通常可以归结为：基于历史数据，预测未来一段时间内某个或多个关键指标的变化趋势，并可能需要对预测结果进行解释或提出决策建议。

我们需要进行多层拆解：

目标变量识别：题目要求我们预测什么？是单一的销量数据，还是多个关联指标（如订单量、库存水平）？目标变量的定义必须清晰无误。
数据性质判断：提供的数据是典型的时间序列数据（按固定时间间隔采集），还是带有时间戳的面板数据？这直接决定了模型选型的首要方向。
问题边界界定：预测是单步预测（预测下一个时间点）还是多步预测（预测未来多个时间点）？是否需要考虑外部因素（如促销活动、天气、节假日）？题目是否隐含了对预测不确定性（置信区间）的要求？
评价标准理解：竞赛如何评价预测结果？是看RMSE（均方根误差）、MAPE（平均绝对百分比误差），还是其他自定义指标？优化目标必须与评价标准对齐。

例如，题目可能是：“基于过去三年的月度销售数据，预测未来12个月的产品销量，并分析其季节性规律。”那么，目标变量就是“月度销量”，数据是单变量时间序列，任务是12步的多步预测，评价标准很可能在论文中体现为预测曲线与（如果提供）真实值的拟合程度及误差指标。

2.2 技术路线选型与方案设计

针对时间序列预测，技术路线不是非此即彼，而是分层、融合的。一个稳健的方案设计如下：

第一层：基准模型与特征工程

基准模型（ARIMA）：作为经典统计学方法的代表，ARIMA模型（自回归积分滑动平均模型）是必须建立的基线。它的优势在于理论清晰，对线性关系建模能力强，能提供统计检验（如白噪声检验、模型显著性检验），结果具有可解释性。它可以帮助我们快速理解数据的基本特性（趋势性、季节性）。
特征工程：在构建更复杂的模型（如LSTM）之前，必须从原始数据中挖掘有效信息。这包括：
- 时间特征：从时间戳中提取年、月、日、季度、星期几、是否节假日、是否周末等。
- 滞后特征：创建目标变量过去N个时间点的值作为特征（lag features），这是时间序列预测的核心。
- 滚动统计特征：计算过去一个窗口期内的均值、标准差、最大值、最小值等。
- 外部变量：如果题目提供或允许引入（如经济指数、天气数据），需要进行归一化和对齐。

第二层：高级模型（LSTM）

为什么用LSTM：长短期记忆网络是循环神经网络（RNN）的变体，专门设计用来解决长期依赖问题。对于具有复杂非线性模式、长期记忆效应的时间序列，LSTM通常能捕捉到ARIMA无法捕捉的深层关系。在MathorCup这类竞赛中，使用LSTM是体现模型复杂度和技术深度的关键。
与DNN/CNN/RNN的简单对比：
- DNN（深度神经网络）：全连接网络，擅长处理独立同分布的数据，但直接处理时间序列会忽略顺序信息，通常需要将序列展平，效果一般。
- CNN（卷积神经网络）：通过卷积核提取局部特征，可以用于时间序列（使用一维卷积），能捕捉短期局部模式，但对超长序列的长期依赖建模能力较弱。
- RNN：天然为序列设计，但存在梯度消失/爆炸问题，难以学习长距离依赖。
- LSTM：通过门控机制（输入门、遗忘门、输出门）控制信息流，有效缓解RNN的长期依赖问题，是当前时间序列预测的主流深度学习模型之一。

第三层：模型融合与结果后处理

融合策略：单一模型可能有其局限性。可以采用加权平均、Stacking等简单有效的方法，将ARIMA的线性预测优势与LSTM的非线性捕捉能力结合起来，往往能提升最终预测的稳定性和精度。
结果后处理：预测值可能需要满足业务约束（如非负、整数），或进行平滑处理。对于多步预测，可以采用滚动预测或直接多步预测，并比较其效果。

注意：方案设计一定要写在论文的“模型建立”章节之前。用清晰的流程图（可以在论文中画，这里用文字描述）展示你的整体思路，例如：“数据预处理 -> 特征工程 -> ARIMA模型构建与预测 -> LSTM网络构建与预测 -> 模型融合 -> 结果分析与优化”。这能让评委一眼看出你的工作是有系统性和逻辑性的。

3. 数据预处理与特征工程实战详解

3.1 数据清洗：不仅仅是处理缺失值

竞赛提供的数据集很少是完美的。清洗是保证模型可靠性的基石。

缺失值处理：
- 探查：首先用df.isnull().sum()统计各列缺失情况。
- 策略：
  - 时间序列插值：对于时间序列数据，优先使用时间相关的插值法，如线性插值、时间向前/向后填充（ffill/bfill）、或更复杂的样条插值。pandas的interpolate(method='time')非常有用。
  - 统计值填充：对于非时间敏感特征，可用均值、中位数或众数填充。但要注意，如果缺失率过高，该特征可能应考虑剔除。
  - 直接删除：如果某时间点的关键目标变量缺失，且无法合理插值，则考虑删除该行。但需评估删除是否会导致数据不连续。
异常值检测与处理：
- 检测方法：
  - 统计方法：3σ原则（三倍标准差以外）、箱线图（IQR方法）。
  - 可视化方法：绘制时间序列折线图，肉眼观察明显脱离整体趋势的“尖峰”或“低谷”。
- 处理策略：
  - 盖帽法：将超出指定分位数（如1%，99%）的值替换为该分位数值。
  - 视为缺失值：用处理缺失值的方法进行插值。
  - 谨慎删除：除非能确认是数据录入错误，否则不要轻易删除，特别是对于金融、需求预测等场景，异常值可能包含重要信息（如大型促销活动）。
数据平滑：如果数据噪声很大（高频抖动），可以考虑使用滑动平均（Moving Average）、指数平滑（Exponential Smoothing）或Savitzky-Golay滤波器进行平滑，有助于模型抓住主要趋势。但要注意，平滑会损失部分信息，且未来预测时无法使用未来数据进行平滑。

3.2 特征工程：为模型注入“洞察力”

对于时间序列，特征工程的核心是构建与“时间”相关的特征。

import pandas as pd import numpy as np # 假设df有一个DateTime索引列‘date’和一个目标列‘value’ df['date'] = pd.to_datetime(df['date']) df.set_index('date', inplace=True) # 1. 基础时间特征 df['year'] = df.index.year df['month'] = df.index.month df['day'] = df.index.day df['dayofweek'] = df.index.dayofweek # 周一=0，周日=6 df['quarter'] = df.index.quarter df['is_weekend'] = df['dayofweek'].apply(lambda x: 1 if x >= 5 else 0) # 可以自定义节假日列表 holiday_list = ['2023-01-01', '2023-05-01', ...] df['is_holiday'] = df.index.isin(pd.to_datetime(holiday_list)).astype(int) # 2. 滞后特征 (Lag Features) for lag in [1, 2, 3, 7, 30]: # 滞后1天、2天、3天、1周、1月（假设日数据） df[f'value_lag_{lag}'] = df['value'].shift(lag) # 3. 滚动统计特征 (Rolling Statistics) window_size = 7 df['rolling_mean_7'] = df['value'].rolling(window=window_size, min_periods=1).mean() df['rolling_std_7'] = df['value'].rolling(window=window_size, min_periods=1).std() df['rolling_max_7'] = df['value'].rolling(window=window_size, min_periods=1).max() # 4. 差分特征 (消除趋势) df['value_diff_1'] = df['value'].diff(1) # 一阶差分 # 处理因滞后和滚动窗口产生的缺失值 df.fillna(method='bfill', inplace=True) # 或使用插值

实操心得：特征不是越多越好。过多的特征会导致维度灾难，特别是对于数据量不大的竞赛数据集。建议先基于业务理解（如周期为7天、30天）构建关键滞后和滚动特征，然后通过特征重要性分析（树模型）或相关性矩阵进行筛选。对于LSTM，滞后特征本身就是其输入序列，因此这里的特征工程更多是为线性模型或作为LSTM的额外输入做准备。

3.3 数据集划分与标准化

划分策略：时间序列数据绝对不能随机划分！必须按时间顺序划分。

训练集：用于训练模型参数。
验证集：用于在训练过程中调整超参数、进行早停等，防止过拟合。通常取训练时段末尾的一段时间。
测试集：用于最终评估模型性能，模拟未来未知数据。应完全在训练/验证时段之后。

# 假设数据是2019-01-01到2023-12-31 train_end = '2022-12-31' val_end = '2023-06-30' test_start = '2023-07-01' train_df = df.loc[:train_end] val_df = df.loc[train_end:val_end].iloc[1:] # 注意边界，避免重复 test_df = df.loc[test_start:] print(f"Train size: {len(train_df)}, Val size: {len(val_df)}, Test size: {len(test_df)}")

标准化/归一化：对于涉及梯度下降的模型（如LSTM、神经网络），必须对特征进行缩放，以加速收敛并提高稳定性。常用StandardScaler（标准化）或MinMaxScaler（归一化）。关键点：必须用训练集的统计量（均值、标准差）去拟合scaler，然后统一转换训练集、验证集和测试集，避免数据泄露。

from sklearn.preprocessing import StandardScaler # 假设‘feature_cols’是需要标准化的特征列名列表，包括目标列‘value’ feature_cols = ['value', 'value_lag_1', 'rolling_mean_7', ...] scaler = StandardScaler() scaler.fit(train_df[feature_cols]) # 只在训练集上拟合！ train_scaled = scaler.transform(train_df[feature_cols]) val_scaled = scaler.transform(val_df[feature_cols]) test_scaled = scaler.transform(test_df[feature_cols]) # 将numpy数组转回DataFrame（可选，但方便后续操作） train_scaled_df = pd.DataFrame(train_scaled, columns=feature_cols, index=train_df.index) # ... 同理处理val和test

4. ARIMA模型构建、调参与诊断全流程

4.1 模型原理与定阶（p, d, q）

ARIMA模型包含三个参数：(p, d, q)。

p (自回归阶数)：表示当前值与过去p个值之间的线性关系。
d (差分阶数)：为了使序列平稳而进行差分的次数。平稳序列的均值和方差不随时间变化。
q (移动平均阶数)：表示当前误差与过去q个误差之间的线性关系。

建模步骤：

平稳性检验：使用ADF检验。原假设是序列非平稳。如果p值大于显著性水平（如0.05），则接受原假设，序列非平稳，需要进行差分。

from statsmodels.tsa.stattools import adfuller result = adfuller(train_df['value']) print('ADF Statistic:', result[0]) print('p-value:', result[1]) # 如果p-value > 0.05， 序列非平稳，需要差分

确定差分阶数d：对原序列进行差分，直到ADF检验显示平稳为止。差分的次数即为d。也可以通过观察自相关图，如果自相关系数缓慢衰减，说明非平稳，需要差分。
确定p和q：对平稳化后的序列（即差分后的序列），观察其自相关图和偏自相关图。
- 自相关图：用于初步判断q。如果自相关图在滞后q阶后“截尾”（迅速下降到置信区间内），则q可初步定为该值。
- 偏自相关图：用于初步判断p。如果偏自相关图在滞后p阶后“截尾”，则p可初步定为该值。
```
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf import matplotlib.pyplot as plt # 对差分后的序列绘图 diff_series = train_df['value'].diff().dropna() fig, axes = plt.subplots(1, 2, figsize=(12,4)) plot_acf(diff_series, lags=40, ax=axes[0]) plot_pacf(diff_series, lags=40, ax=axes[1]) plt.show()
```

网格搜索与AIC/BIC准则：初步定阶后，可以在一个范围内（如p:0-3, q:0-3）进行网格搜索，选择使AIC或BIC值最小的(p, q)组合。AIC/BIC是衡量模型拟合优度和复杂度的指标，值越小越好。

import itertools import warnings warnings.filterwarnings('ignore') from statsmodels.tsa.arima.model import ARIMA p_range = range(0, 4) d_range = [1] # 假设我们已经确定d=1 q_range = range(0, 4) best_aic = np.inf best_order = None for p, d, q in itertools.product(p_range, d_range, q_range): try: model = ARIMA(train_df['value'], order=(p, d, q)) results = model.fit() if results.aic < best_aic: best_aic = results.aic best_order = (p, d, q) except: continue print(f'Best ARIMA order: {best_order} with AIC: {best_aic}')

4.2 模型拟合、检验与预测

模型拟合：

best_p, best_d, best_q = best_order model = ARIMA(train_df['value'], order=(best_p, best_d, best_q)) fitted_model = model.fit() print(fitted_model.summary()) # 查看详细的模型报告

模型诊断（白噪声检验）：拟合后，必须检验残差序列是否为白噪声（即随机、无自相关性）。这使用Ljung-Box检验。原假设是残差是白噪声。我们希望p值大于0.05，接受原假设，说明模型已充分提取了序列中的信息。
```
from statsmodels.stats.diagnostic import acorr_ljungbox resid = fitted_model.resid # 获取残差 lb_test = acorr_ljungbox(resid, lags=[10], return_df=True) # 检验滞后10阶 print(lb_test) # 关注‘lb_pvalue’列，如果大于0.05，则残差是白噪声，模型通过检验。
```
注意：acorr_ljungbox就是用于白噪声检验的标准模型。如果检验不通过（p值小），说明残差中还有信息未被提取，可能需要增加p或q的阶数，或考虑更复杂的模型（如季节性ARIMA）。

进行预测：

# 预测未来n步 forecast_steps = len(test_df) forecast_result = fitted_model.get_forecast(steps=forecast_steps) forecast_values = forecast_result.predicted_mean forecast_conf_int = forecast_result.conf_int() # 置信区间 # 将预测结果与测试集对比 plt.figure(figsize=(10,6)) plt.plot(train_df.index, train_df['value'], label='Train') plt.plot(test_df.index, test_df['value'], label='Test', color='orange') plt.plot(test_df.index, forecast_values, label='ARIMA Forecast', color='red') plt.fill_between(test_df.index, forecast_conf_int.iloc[:, 0], forecast_conf_int.iloc[:, 1], color='pink', alpha=0.3, label='95% CI') plt.legend() plt.show()

5. LSTM模型构建、训练与调优实战

5.1 数据准备与序列构造

LSTM的输入是一个三维张量：(样本数, 时间步长, 特征数)。

时间步长：即用过去多少个时间点的数据来预测下一个点。这是一个关键超参数，需要调优。
特征数：每个时间点上的特征维度。

from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout from tensorflow.keras.callbacks import EarlyStopping from sklearn.metrics import mean_squared_error, mean_absolute_error import numpy as np def create_sequences(data, target, time_steps): """将时间序列数据转换为监督学习格式""" X, y = [], [] for i in range(len(data) - time_steps): X.append(data[i:(i + time_steps)]) # 取time_steps个时间步作为特征 y.append(target[i + time_steps]) # 取下一个时间步作为标签 return np.array(X), np.array(y) # 假设我们已经有了标准化后的数据 train_scaled, val_scaled, test_scaled (都是DataFrame) # 并且目标列是‘value_scaled’ time_steps = 30 # 假设用过去30个时间点预测下一个点 feature_cols = ['value_scaled', 'month_sin', 'month_cos', 'is_weekend'] # 示例特征 # 准备数据 train_X, train_y = create_sequences(train_scaled[feature_cols].values, train_scaled['value_scaled'].values, time_steps) val_X, val_y = create_sequences(val_scaled[feature_cols].values, val_scaled['value_scaled'].values, time_steps) # 注意：测试集的构造要小心，不能使用未来的信息。通常用训练集末尾的序列开始预测。 test_X, test_y = create_sequences(test_scaled[feature_cols].values, test_scaled['value_scaled'].values, time_steps) print(f"Train X shape: {train_X.shape}") # (样本数, 30, 特征数) print(f"Train y shape: {train_y.shape}") # (样本数,)

5.2 网络结构设计与模型构建

一个基础的LSTM网络结构如下：

model = Sequential() # 第一层LSTM，设置return_sequences=True以输出每个时间步的隐状态，为堆叠LSTM做准备 model.add(LSTM(units=50, activation='relu', return_sequences=True, input_shape=(time_steps, len(feature_cols)))) model.add(Dropout(0.2)) # Dropout层防止过拟合 # 第二层LSTM model.add(LSTM(units=50, activation='relu')) model.add(Dropout(0.2)) # 全连接输出层，因为是回归问题，所以使用线性激活函数（默认） model.add(Dense(units=1)) model.compile(optimizer='adam', loss='mse') # 使用均方误差作为损失函数 model.summary()

参数解释与调优经验：

units：LSTM层中神经元的数量。数量越多，模型容量越大，但也更容易过拟合。通常从50开始尝试，根据验证集效果调整。
activation：常用relu或tanh。relu计算快，缓解梯度消失，但可能导致“神经元死亡”。tanh是LSTM原论文中门控使用的激活函数，输出在-1到1之间。
Dropout：在层之间随机丢弃一部分神经元，是防止过拟合的有效手段。比率通常在0.2到0.5之间。
optimizer：Adam是默认且效果良好的选择。
loss：回归问题常用mse。如果数据中有异常值且不想让模型过于关注它们，可以考虑mae。

5.3 模型训练、验证与预测

# 设置早停回调，当验证集损失连续多个epoch不再下降时停止训练，防止过拟合 early_stopping = EarlyStopping(monitor='val_loss', patience=10, restore_best_weights=True) history = model.fit(train_X, train_y, epochs=100, # 设置一个较大的epoch数，靠早停来终止 batch_size=32, validation_data=(val_X, val_y), callbacks=[early_stopping], verbose=1) # 绘制训练历史 plt.plot(history.history['loss'], label='Train Loss') plt.plot(history.history['val_loss'], label='Val Loss') plt.legend() plt.show() # 在验证集和测试集上进行预测 val_pred = model.predict(val_X) test_pred = model.predict(test_X) # 将预测值反标准化回原始量纲 # 注意：scaler是针对所有特征拟合的，我们只需要提取目标列对应的缩放器进行逆变换 # 假设我们的scaler是StandardScaler，且目标列‘value’是feature_cols的第一个 # 我们需要构建一个与原始特征维度相同的数组，其中预测列放在正确位置，其他特征用0填充（因为逆变换时只关心目标列） def inverse_transform_prediction(scaler, data_original_shape, pred_scaled, target_index=0): """将标准化后的预测值反变换回原始值""" dummy = np.zeros((len(pred_scaled), data_original_shape)) dummy[:, target_index] = pred_scaled.flatten() pred_original = scaler.inverse_transform(dummy)[:, target_index] return pred_original val_pred_original = inverse_transform_prediction(scaler, len(feature_cols), val_pred, target_index=0) test_pred_original = inverse_transform_prediction(scaler, len(feature_cols), test_pred, target_index=0) # 计算误差指标 val_rmse = np.sqrt(mean_squared_error(val_scaled.iloc[time_steps:, 0], val_pred)) test_rmse = np.sqrt(mean_squared_error(test_scaled.iloc[time_steps:, 0], test_pred)) print(f'Validation RMSE: {val_rmse:.4f}') print(f'Test RMSE: {test_rmse:.4f}')

踩坑实录：LSTM训练中最常见的问题是过拟合（训练损失持续下降，验证损失先降后升）。解决方法：1) 增加Dropout比率；2) 减少LSTM单元数或网络层数；3) 增加更多的训练数据（在竞赛中可能有限）；4) 使用更激进的早停（减少patience）。另一个问题是梯度爆炸，表现为损失变成NaN。解决方法：1) 梯度裁剪（在compile时设置clipvalue或clipnorm）；2) 降低学习率；3) 检查数据标准化是否到位。

6. 模型融合、结果分析与论文呈现要点

6.1 融合策略：简单加权平均

当ARIMA和LSTM都给出预测后，简单的加权平均往往能取得比单一模型更好的效果。权重的确定可以基于验证集上的表现。

# 假设我们已经有了ARIMA的预测结果 arima_forecast 和 LSTM的预测结果 lstm_forecast (都是对测试集的预测，且长度一致) # 以及它们在验证集上的误差 val_rmse_arima, val_rmse_lstm # 基于验证集RMSE的倒数确定权重（误差越小，权重越大） weight_arima = 1 / val_rmse_arima weight_lstm = 1 / val_rmse_lstm total_weight = weight_arima + weight_lstm weight_arima /= total_weight weight_lstm /= total_weight print(f'ARIMA weight: {weight_arima:.3f}, LSTM weight: {weight_lstm:.3f}') # 加权平均融合 hybrid_forecast = weight_arima * arima_forecast + weight_lstm * lstm_forecast # 计算融合模型在测试集上的误差 test_actual = test_df['value'].values[-len(hybrid_forecast):] # 获取对应的真实值 hybrid_rmse = np.sqrt(mean_squared_error(test_actual, hybrid_forecast)) print(f'Hybrid Model Test RMSE: {hybrid_rmse:.4f}')

6.2 结果可视化与误差分析

一篇优秀的数模论文，图表和数据分析至关重要。

预测对比图：将训练集历史数据、测试集真实数据、以及ARIMA、LSTM、融合模型的预测曲线绘制在同一张图上，并用不同颜色和线型区分。
误差分布图：绘制各个模型预测误差（残差）的直方图或箱线图，分析误差是否服从正态分布，是否存在系统性偏差。
关键指标表格：制作一个清晰的表格，对比各个模型在训练集、验证集、测试集上的RMSE、MAE、MAPE等指标。

模型	训练集RMSE	验证集RMSE	测试集RMSE	备注
ARIMA	值1	值2	值3	(p,d,q) = (x, y, z)
LSTM	值4	值5	值6	2层，50单元，Dropout=0.2
融合模型	-	-	值7	权重: ARIMA=w1, LSTM=w2

分析要点：

如果训练集误差远小于验证/测试集误差，说明模型过拟合。
对比验证集和测试集误差，如果测试集误差显著增大，说明模型泛化能力可能不足，或者测试集数据分布与训练集有差异。
指出融合模型是否在测试集上取得了最优效果，并分析原因（例如，ARIMA抓住了线性趋势，LSTM捕捉了非线性波动，两者互补）。

6.3 论文写作核心要点

技术实现是基础，论文写作才是最终呈现。在“模型建立与求解”部分，除了描述步骤，更要突出你的思考过程和模型亮点。

问题重述与分析：不要照抄题目，要用自己的语言精炼概括，并画出逻辑框图展示你的解题思路。
模型假设：列出清晰、合理的假设，这是模型成立的前提。例如：“假设未来一段时间内无重大政策或市场突发事件影响”、“假设历史数据的噪声服从正态分布”。
符号说明：用三线表列出论文中使用的主要符号及其含义。
模型建立：
- ARIMA部分：写明平稳性检验（ADF检验）结果、d的确定过程、通过ACF/PACF图初步定阶(p,q)、以及基于AIC准则的网格搜索最终确定参数。附上关键图表（如ACF/PACF图、模型诊断图）。
- LSTM部分：说明数据预处理和特征工程步骤、网络结构设计（画出示意图）、超参数选择（如时间步长、单元数、Dropout比率通过验证集调整确定）、训练策略（优化器、损失函数、早停）。附上网络结构图和训练损失曲线图。
- 模型融合部分：说明融合方法（如加权平均）和权重确定依据（如基于验证集误差）。
模型求解与结果分析：
- 展示最终预测结果图表。
- 提供详细的误差分析表格。
- 对预测结果进行合理解释。例如：“从融合模型的预测曲线可以看出，该产品销量预计在Q3季度会有一次周期性上涨，这与历史数据中夏季促销活动的规律相符。”
模型评价与推广：
- 客观评价自己模型的优点（如精度高、结合了线性与非线性模型）和缺点（如对突变点预测能力有限、需要大量历史数据）。
- 提出模型的改进方向（如引入注意力机制、结合Transformer模型、加入更多外部特征）和推广到其他类似场景的可能性。