单品预测结果加起来不等于品类总预测？品类总预测拆分后与单品预测矛盾？这是层次化预测（Hierarchical Forecasting）的经典难题。本文介绍两种主流解法：自上而下、自下而上，以及最佳实践——最优组合预测，附完整代码。

一、问题定义：为什么预测会不一致？

假设你经营一家便利店，有三个维度：

· 单品层（SKU）：纯牛奶、酸奶、果汁…
· 品类层：乳制品、饮料、零食…
· 总店层：全店销售额

你分别训练了三个模型：

· 单品模型预测纯牛奶明天 100 件
· 品类模型预测乳制品明天 250 件
· 总店模型预测全店明天 2000 元

但乳制品品类下除了纯牛奶还有酸奶（预测 120 件）、奶酪（预测 30 件），加起来 250 件，与品类预测一致吗？不一定。更常见的情况是：单品预测之和 ≠ 品类预测。这种不一致会带来决策困境——到底该相信哪个预测？

业务影响：

· 如果按单品预测备货，可能导致品类总库存与预期不符。
· 如果按品类预测分配预算，单品层面的计划可能失衡。

二、三种经典策略

2.1 自下而上（Bottom-Up）

做法：只训练单品模型，品类和总店预测由单品汇总得到。

优点：简单、一致、单品粒度最细。
缺点：单品模型误差会向上累积，导致高层预测不稳定。

2.2 自上而下（Top-Down）

做法：只训练总店模型，然后按历史比例（或预测比例）拆分到品类、单品。

优点：高层预测更稳健（因为波动小）。
缺点：丢失单品个性，对促销等事件的响应迟钝。

2.3 最优组合预测（Optimal Combination）

做法：同时训练所有层级的模型，然后通过一个线性回归或优化模型，将各层预测值加权组合，得到既一致又最小化误差的最终预测。

数学上，设 \hat{y} 为各层级原始预测向量，S 为聚合矩阵（表示层级关系），目标是找到一组修正后的预测 \tilde{y}，使得 S\tilde{y} = \tilde{y}_{upper}（一致性），且 \tilde{y} 与 \hat{y} 的差异最小化（最小二乘）。

三、代码实战：使用 scikit-learn 和 hierarchicalforecast 库

3.1 安装

pip install hierarchicalforecast statsmodels

3.2 数据结构

假设我们有 3 个单品（SKU_A, SKU_B, SKU_C）组成一个品类，总店就是全量。时间序列数据格式：

ds SKU_A SKU_B SKU_C
2024-01-01 10 15 5
2024-01-02 12 14 6

品类 = SKU_A + SKU_B + SKU_C，总店 = 品类（单店场景）。

3.3 生成基础预测（以 LightGBM 为例）

import pandas as pd
import numpy as np
from hierarchicalforecast.core import HierarchicalForecast
from hierarchicalforecast.methods import BottomUp, TopDown, OptimalCombination

# 假设已经得到每个 SKU 的预测（使用任何模型）
# Y_hat_df: 包含预测值的 dataframe，列 = ['ds', 'SKU_A', 'SKU_B', 'SKU_C', 'total']
Y_hat_df = ...

# 定义层级结构：S 矩阵
# 这里简化：SKU_A + SKU_B + SKU_C = category, category = total
S = np.array([
    [1,0,0,1,1],   # SKU_A -> category, total?
    [0,1,0,1,1],
    [0,0,1,1,1],
])
# 实际上 hierarchicalforecast 支持从文本定义，见文档

3.4 应用最优组合

# 使用 OptimalCombination 方法
reconciled = HierarchicalForecast(
    models={'base': Y_hat_df},
    reconciliation_methods=[OptimalCombination()]
).reconcile()

四、我的 API 中的实现

由于计算效率考虑，我的销量预测 API 目前采用 混合策略：

· 默认：自下而上（因为单品模型已经足够好，且用户通常关注单品）
· 可选：对需要品类预测的用户，提供 加权最优组合（基于历史误差协方差矩阵），耗时增加约 10%，但一致性提高 30% 以上。

API 请求示例：

POST /predict_hierarchy
{
    "sku_list": ["MILK001", "YOGURT002"],
    "aggregate_level": "category",   # "sku", "category", "total"
    "reconciliation": "optimal"      # "bottom_up", "top_down", "optimal"
}

响应：

{
    "sku_level": {...},
    "category_level": {...},
    "total_level": {...},
    "reconciled": true,
    "method": "optimal"
}

五、实战案例：乳制品类预测

某便利店有 5 个乳制品 SKU。以前分别预测，每周总预测误差波动很大。使用最优组合后：

指标 自下而上 最优组合
单品平均 WMAPE 14% 14%（无变化）
品类 WMAPE 18% 11%
单品与品类预测一致性 不一致（和差关系） 完全一致

品类预测误差降低 7 个百分点，且库存计划者不再纠结。

六、何时应该使用层次化预测？

· 需要向管理层汇报总店/品类预测：自下而上累积误差太大，需要修正。
· 存在资源分配约束：如总采购预算固定，需要在品类间优化分配。
· 多层级库存管理：中央仓库按品类备货，门店按 SKU 补货。

反之，如果你是单个店主，只关注几个 SKU，自下而上就足够了。

七、总结与展望

层次化预测解决了预测一致性问题，让不同粒度的决策能够对齐。我的 API 已经集成了最优组合方法，你可以免费试用。

下一篇文章预告：《在线学习：实时更新销量预测模型应对概念漂移》——当消费者行为随时间变化，如何让模型快速适应而不需重新训练。

---

互动问题：你遇到过“单品预测不准但品类预测挺准”的情况吗？你是如何做决策的？评论区分享。