本报告系统梳理2025—2026年销量预测领域的前沿进展、核心实证与可落地的技术路径涵盖基础模型、高效架构、长尾预测、可解释性及工程化实践为技术选型与产品迭代提供参考框架。一、引言从“模型竞赛”到“范式选择”2025—2026年销量预测领域正在经历一场深层变革。Hobor等人2026在真实零售数据上的大规模对比实验表明在间歇性需求、大量缺失值和频繁商品更替的真实场景中局部的树模型方法取得了最优性能XGBoost以4.833的RMSE在所有模型中表现最佳。与此同时时序基础模型Time Series Foundation Models, TSFMs正在崛起Moirai MoE在烘焙零售数据上取得了聚合WAPE 0.24的成绩。这两条路径并非对立而是共同勾勒出2026年的技术全景基础模型正在证明其价值但经典方法在特定场景下依然不可替代。技术选型的核心已从“哪个模型更好”转向“哪种范式更适合你的业务场景”。二、时序基础模型从零样本到生产级工具2.1 TimesFM 2.5Google的零样本预测利器2026年Google Research的TimesFM已演进至2.5版本。作为一个decoder-only的预训练时序基础模型TimesFM的核心价值在于零样本预测——无需针对特定数据集训练即可对任意单变量时间序列进行预测覆盖销量、价格、网站流量和能源需求等多个场景。TimesFM采用decoder-only架构将序列分段为patches并利用patch masking提升训练效率。实证研究表明TimesFM-500M在5步预测中表现最优。2.2 MoiraiSalesforce的开源突破Moirai被设计为掩码编码器Transformer专门面向多样化频率、协变量结构和数据分布的时间序列预测。Moirai在多个场景中持续优于传统计量经济模型。在烘焙零售数据上Moirai MoE取得聚合WAPE 0.24对难以预测的产品优势最为明显且误差分布更窄预测一致性更强。但研究发现微调TinyTimeMixer虽能大幅提升性能中位WAPE降低0.1095.4%的产品受益仍未缩小与最强经典方法的差距说明领域适配与微调仍不可替代。2.3 双策略集成释放基础模型潜力Yang等人2025指出现有时序基础模型存在架构僵化和分布变化下鲁棒性不足的问题。为此提出了双策略集成框架· 层级集成Hierarchical Ensemble, HE 按门店、品类、部门等语义层级分别进行训练与推理捕捉局部模式· 架构集成Architectural Ensemble, AE 融合多种模型架构的预测结果减少偏差、提升稳定性在M5基准和三个外部销售数据集上的实验表明该方法一致性地超越了强基线。2.4 分层概率预测e2eTD的效率革命Zambon等人2026提出了e2eTD一种端到端的概率分层预测方法。其核心创新是直接预测仅占层级约0.3%的少量聚合序列——这些序列更平滑、更可预测。通过概率自上而下采样算法传播到底层再求和获得所有层级的一致预测。在M5数据集上e2eTD在892支队伍中可排名第11位在标准笔记本上仅需5分钟即可处理约4万条序列。三、高效架构Mamba引领的线性复杂度革命3.1 Mamba的崛起Transformer的O(n²)复杂度在长序列预测中始终是效率瓶颈。Mamba通过选择性状态空间模型Selective State Space Model实现了线性时间复杂度。S-MambaWang et al., 2025通过自主线性层标记每个变量的时间点并通过双向Mamba层提取变量间的相关性。3.2 多尺度时空预测框架Gao和Lu2026提出了基于Mamba状态空间骨干的多尺度时空预测框架整合了贸易流、OSM空间连接、新闻和经济指标等多源异构数据。实验结果各预测时域准确率持续超过90%相比Transformer在MAE/RMSE上提升25%同时FLOPs降低60%。3.3 MLA-Mamba与GRPO工业级多SKU预测DeepSeek-TS将DeepSeek的高效多头潜在注意力MLA扩展为MLA-Mamba允许潜在特征通过非线性激活的状态空间模型动态演变提供自适应记忆以适应趋势变化。群组相对策略优化GRPO则引入智能决策过程持续比较预测与基准来改进预测效果。一篇2026年的工业实践文章指出这一方案针对多产品预测的三大痛点——异构性陷阱不同品类销量模式差异巨大、耦合干扰促销引发的跨产品蝴蝶效应、动态失焦大促前需求指数级爬升而模型滞后——提供了系统性解决方案。该方案已在国内头部母婴电商真实跑通。3.4 混合架构探索Mambaformer将混合Mamba-Transformer架构从语言建模领域适配到时间序列领域MambaDiffTS则将Mamba与扩散概率模型结合。四、长尾与间歇性需求预测被验证的最强方案4.1 间歇性需求的本质间歇性销售模式——由大量零值和偶发的正值组成——在快时尚零售中普遍存在对传统预测方法构成严峻挑战。经典方法Croston、SBA仅提供简单启发式规则在面对复杂外部因素时力不从心。4.2 两阶段XGBoost当前最优方案2026年6月发表的一项研究在快时尚零售间歇性销售数据上系统对比了一阶段与两阶段ML框架及经典基准。两阶段方法的核心是将预测任务分解为两个独立的子任务· 第一阶段分类 使用随机森林分类器预测“需求是否发生”· 第二阶段回归 使用回归模型RF、GBM、XGBoost、LightGBM估计“需求大小”研究纳入产品属性、定价、天气和特殊事件等丰富外生特征。结论Two-Stage XGBoost取得了最低的WRMSSE确立了特征工程化的两阶段框架作为间歇性零售场景中最强整体方案。4.3 SHAP可解释性两阶段的独特优势两阶段框架的一个关键优势是SHAP分析可以分别揭示特征对“需求发生”与“需求大小”的不同贡献。分类器告诉你“什么因素决定是否会发生需求”回归器告诉你“什么因素决定需求有多大”——这对库存管理决策的指导价值远高于单一数字的SHAP值。五、LLM融合与多模态预测5.1 EventCastLLM驱动的事件推理EventCast提出了一个模块化预测框架将未来事件知识融入时序预测。核心创新在于LLM仅用于事件驱动的推理而非直接进行数值预测。非结构化业务数据营销活动、假日安排、卖家激励经LLM处理转化为可解释的文本摘要。在4个国家160个地区的真实电商场景中部署10个月后EventCast在事件驱动期间相比最优工业基线MAE降低57.0%MSE降低83.3%。该框架自2025年3月起已部署于工业生产环境。5.2 多模态融合Multimodal-T5 Fusion Transformer融合了趋势、时间、文本和视觉纹理等多种模态基于多实体多模态融合的直播电商销售预测框架则从主播、商品和直播间三个核心实体出发进行融合。六、可解释性与工程化落地6.1 概念漂移与在线学习零售环境中的三大“翻车”模式数据漂移训练时与上线后的用户行为分布不一致、概念漂移特征和标签之间的关系随时间变化、标签泄漏训练时无意中用了未来信息。应对概念漂移的先进方法包括在模型架构中加入适配器Adapter 通过学习概念漂移的表示并将其映射为对模型参数的调整。6.2 MLOps市场高速增长MLOps市场正以惊人的速度扩张预计从2025年的41.5亿美元增长到2026年的58.3亿美元到2031年将达到320.1亿美元年复合增长率达40.56%。这反映了行业对自动化、可重复的机器学习工作流的迫切需求。七、总结技术决策框架业务特征 推荐方案 核心理由数据干净、季节性强、SKU少 ETS/Prophet 简单规则 增加模型复杂度收益递减数据量大、缺失多、长尾严重 两阶段XGBoost 被验证为间歇性场景最强方案需要快速上线、无标注数据 TimesFM/Moirai零样本预测 基础模型在波动性场景优势显著追求极限精度、有深度学习能力 两阶段XGBoost SHAP 预测区间 精度与可解释性兼顾超长序列、大规模多源数据 Mamba架构 线性复杂度MAE/RMSE提升25%促销季/节假日等事件驱动场景 EventCastLLM事件推理 MAE降低57%三条核心建议如果产品还没有为长尾商品做专门处理两阶段XGBoost是优先级最高的改进——2026年的实证已经非常充分。如果追求快速验证新能力先加预测区间再加SHAP解释——两者的工程成本都不高但对用户体验的提升是质的。如果基础模型效果不理想不要急着换模型先试试双策略集成——层级集成架构集成可能是解锁潜力的最简单方式。报告基于2025—2026年发表于MDPI、arXiv、ACM等渠道的学术论文及工业实践文献整理。
销量预测技术全景报告（2025—2026）
本报告系统梳理2025—2026年销量预测领域的前沿进展、核心实证与可落地的技术路径涵盖基础模型、高效架构、长尾预测、可解释性及工程化实践为技术选型与产品迭代提供参考框架。一、引言从“模型竞赛”到“范式选择”2025—2026年销量预测领域正在经历一场深层变革。Hobor等人2026在真实零售数据上的大规模对比实验表明在间歇性需求、大量缺失值和频繁商品更替的真实场景中局部的树模型方法取得了最优性能XGBoost以4.833的RMSE在所有模型中表现最佳。与此同时时序基础模型Time Series Foundation Models, TSFMs正在崛起Moirai MoE在烘焙零售数据上取得了聚合WAPE 0.24的成绩。这两条路径并非对立而是共同勾勒出2026年的技术全景基础模型正在证明其价值但经典方法在特定场景下依然不可替代。技术选型的核心已从“哪个模型更好”转向“哪种范式更适合你的业务场景”。二、时序基础模型从零样本到生产级工具2.1 TimesFM 2.5Google的零样本预测利器2026年Google Research的TimesFM已演进至2.5版本。作为一个decoder-only的预训练时序基础模型TimesFM的核心价值在于零样本预测——无需针对特定数据集训练即可对任意单变量时间序列进行预测覆盖销量、价格、网站流量和能源需求等多个场景。TimesFM采用decoder-only架构将序列分段为patches并利用patch masking提升训练效率。实证研究表明TimesFM-500M在5步预测中表现最优。2.2 MoiraiSalesforce的开源突破Moirai被设计为掩码编码器Transformer专门面向多样化频率、协变量结构和数据分布的时间序列预测。Moirai在多个场景中持续优于传统计量经济模型。在烘焙零售数据上Moirai MoE取得聚合WAPE 0.24对难以预测的产品优势最为明显且误差分布更窄预测一致性更强。但研究发现微调TinyTimeMixer虽能大幅提升性能中位WAPE降低0.1095.4%的产品受益仍未缩小与最强经典方法的差距说明领域适配与微调仍不可替代。2.3 双策略集成释放基础模型潜力Yang等人2025指出现有时序基础模型存在架构僵化和分布变化下鲁棒性不足的问题。为此提出了双策略集成框架· 层级集成Hierarchical Ensemble, HE 按门店、品类、部门等语义层级分别进行训练与推理捕捉局部模式· 架构集成Architectural Ensemble, AE 融合多种模型架构的预测结果减少偏差、提升稳定性在M5基准和三个外部销售数据集上的实验表明该方法一致性地超越了强基线。2.4 分层概率预测e2eTD的效率革命Zambon等人2026提出了e2eTD一种端到端的概率分层预测方法。其核心创新是直接预测仅占层级约0.3%的少量聚合序列——这些序列更平滑、更可预测。通过概率自上而下采样算法传播到底层再求和获得所有层级的一致预测。在M5数据集上e2eTD在892支队伍中可排名第11位在标准笔记本上仅需5分钟即可处理约4万条序列。三、高效架构Mamba引领的线性复杂度革命3.1 Mamba的崛起Transformer的O(n²)复杂度在长序列预测中始终是效率瓶颈。Mamba通过选择性状态空间模型Selective State Space Model实现了线性时间复杂度。S-MambaWang et al., 2025通过自主线性层标记每个变量的时间点并通过双向Mamba层提取变量间的相关性。3.2 多尺度时空预测框架Gao和Lu2026提出了基于Mamba状态空间骨干的多尺度时空预测框架整合了贸易流、OSM空间连接、新闻和经济指标等多源异构数据。实验结果各预测时域准确率持续超过90%相比Transformer在MAE/RMSE上提升25%同时FLOPs降低60%。3.3 MLA-Mamba与GRPO工业级多SKU预测DeepSeek-TS将DeepSeek的高效多头潜在注意力MLA扩展为MLA-Mamba允许潜在特征通过非线性激活的状态空间模型动态演变提供自适应记忆以适应趋势变化。群组相对策略优化GRPO则引入智能决策过程持续比较预测与基准来改进预测效果。一篇2026年的工业实践文章指出这一方案针对多产品预测的三大痛点——异构性陷阱不同品类销量模式差异巨大、耦合干扰促销引发的跨产品蝴蝶效应、动态失焦大促前需求指数级爬升而模型滞后——提供了系统性解决方案。该方案已在国内头部母婴电商真实跑通。3.4 混合架构探索Mambaformer将混合Mamba-Transformer架构从语言建模领域适配到时间序列领域MambaDiffTS则将Mamba与扩散概率模型结合。四、长尾与间歇性需求预测被验证的最强方案4.1 间歇性需求的本质间歇性销售模式——由大量零值和偶发的正值组成——在快时尚零售中普遍存在对传统预测方法构成严峻挑战。经典方法Croston、SBA仅提供简单启发式规则在面对复杂外部因素时力不从心。4.2 两阶段XGBoost当前最优方案2026年6月发表的一项研究在快时尚零售间歇性销售数据上系统对比了一阶段与两阶段ML框架及经典基准。两阶段方法的核心是将预测任务分解为两个独立的子任务· 第一阶段分类 使用随机森林分类器预测“需求是否发生”· 第二阶段回归 使用回归模型RF、GBM、XGBoost、LightGBM估计“需求大小”研究纳入产品属性、定价、天气和特殊事件等丰富外生特征。结论Two-Stage XGBoost取得了最低的WRMSSE确立了特征工程化的两阶段框架作为间歇性零售场景中最强整体方案。4.3 SHAP可解释性两阶段的独特优势两阶段框架的一个关键优势是SHAP分析可以分别揭示特征对“需求发生”与“需求大小”的不同贡献。分类器告诉你“什么因素决定是否会发生需求”回归器告诉你“什么因素决定需求有多大”——这对库存管理决策的指导价值远高于单一数字的SHAP值。五、LLM融合与多模态预测5.1 EventCastLLM驱动的事件推理EventCast提出了一个模块化预测框架将未来事件知识融入时序预测。核心创新在于LLM仅用于事件驱动的推理而非直接进行数值预测。非结构化业务数据营销活动、假日安排、卖家激励经LLM处理转化为可解释的文本摘要。在4个国家160个地区的真实电商场景中部署10个月后EventCast在事件驱动期间相比最优工业基线MAE降低57.0%MSE降低83.3%。该框架自2025年3月起已部署于工业生产环境。5.2 多模态融合Multimodal-T5 Fusion Transformer融合了趋势、时间、文本和视觉纹理等多种模态基于多实体多模态融合的直播电商销售预测框架则从主播、商品和直播间三个核心实体出发进行融合。六、可解释性与工程化落地6.1 概念漂移与在线学习零售环境中的三大“翻车”模式数据漂移训练时与上线后的用户行为分布不一致、概念漂移特征和标签之间的关系随时间变化、标签泄漏训练时无意中用了未来信息。应对概念漂移的先进方法包括在模型架构中加入适配器Adapter 通过学习概念漂移的表示并将其映射为对模型参数的调整。6.2 MLOps市场高速增长MLOps市场正以惊人的速度扩张预计从2025年的41.5亿美元增长到2026年的58.3亿美元到2031年将达到320.1亿美元年复合增长率达40.56%。这反映了行业对自动化、可重复的机器学习工作流的迫切需求。七、总结技术决策框架业务特征 推荐方案 核心理由数据干净、季节性强、SKU少 ETS/Prophet 简单规则 增加模型复杂度收益递减数据量大、缺失多、长尾严重 两阶段XGBoost 被验证为间歇性场景最强方案需要快速上线、无标注数据 TimesFM/Moirai零样本预测 基础模型在波动性场景优势显著追求极限精度、有深度学习能力 两阶段XGBoost SHAP 预测区间 精度与可解释性兼顾超长序列、大规模多源数据 Mamba架构 线性复杂度MAE/RMSE提升25%促销季/节假日等事件驱动场景 EventCastLLM事件推理 MAE降低57%三条核心建议如果产品还没有为长尾商品做专门处理两阶段XGBoost是优先级最高的改进——2026年的实证已经非常充分。如果追求快速验证新能力先加预测区间再加SHAP解释——两者的工程成本都不高但对用户体验的提升是质的。如果基础模型效果不理想不要急着换模型先试试双策略集成——层级集成架构集成可能是解锁潜力的最简单方式。报告基于2025—2026年发表于MDPI、arXiv、ACM等渠道的学术论文及工业实践文献整理。
