时序基础模型如TimeGPT-1和Moirai在零售场景中的实证突破主要体现在预测精度全面超越经典方法并通过双策略集成框架解决了其架构僵化等问题从而实现了从概念验证到开箱即用的实用化跨越。一、 实证性能全面超越经典方法一项2025年的系统对比研究在多个零售品类上评估了基础模型与经典方法的性能结果如下表所示模型类别代表模型核心优势在零售场景中的实证表现时序基础模型TimeGPT-1, Moirai零样本/少样本能力捕捉复杂模式在摄像机、平板电脑、玩具等多个品类的预测中绝对精度全面超越SARIMA、Holt-Winters、Prophet等经典方法尤其在需求波动剧烈的环境下优势显著。经典统计模型SARIMA, Holt-Winters模型简单可解释性强在具有稳定季节性的场景中仍具竞争力但在动态、波动的零售环境中局限性明显。经典预测框架Prophet支持外部回归变量添加外部变量后并未系统性提升预测性能。关键结论时序基础模型已证明其开箱即用的实用价值不再是纯学术概念。二、 突破关键双策略集成框架尽管基础模型表现优异但其存在架构僵化和对数据分布漂移鲁棒性不足的局限性。为释放其全部潜力研究者提出了双策略集成框架Dual-Strategy Ensembling层级集成Hierarchical Ensemble, HE针对零售供应链的多层级结构如全国、区域、门店、SKU在不同语义层级上分别进行模型的训练与推理以更好地捕捉局部模式和特异性。架构集成Architectural Ensemble, AE融合多种不同架构的基础模型如TimeGPT-1、Moirai等的预测结果通过模型多样性减少单一模型的偏差提升整体预测的稳定性和鲁棒性。该框架在M5竞赛数据集及多个外部销售数据集上的实验表明它能一致性地超越强基线模型。其核心启示是当单一基础模型效果不佳时集成策略是解锁其潜力的关键。三、 能力演进轻量化与协变量支持2026年的新进展进一步拓展了基础模型在零售场景的应用边界新模型特性对业务更友好新模型核心特性对零售场景的价值CITRAS-FM轻量级原生支持协变量的零样本预测可直接融入价格、促销、天气等业务特征进行更精准的因果/条件预测。ProbFM支持不确定性分解的概率预测为库存决策提供分位数预测如P50, P90量化预测风险。AME-TS通过锚定专家混合实现结构引导的稀疏预测可根据序列的可预测性、季节性等描述符自动路由到不同的专家模型擅长处理长尾稀疏商品。这些演进使得基础模型不仅能做更准确的“点预测”还能进行考虑外部因素的条件预测和量化不确定性的概率预测更好地服务于库存优化、促销评估等实际业务决策。参考来源销量预测前沿技术综述(续篇)从基础模型到稀疏鲁棒架构销量预测前沿技术综述(续篇)从基础模型到稀疏鲁棒架构
