摘要： 本文提供了一套针对水果/生鲜/零售场景的销量预测参数调优方案，核心目标是通过参数优化将WAPE指标降低2%～5%。关键建议包括： 预测范围：日常补货推荐7天预测（prediction_length=7），周采购14天，大促3～7天； 评估指标：业务场景首选WAPE（避免零销量爆炸），禁用MAPE； 模型策略： 快速验证用fast_training，平衡选medium_quality（含TF

《时序预测中的协变量泄露预防指南》摘要： 本文深入剖析了时序预测中最致命的协变量泄露问题，指出90%新手因未来信息渗入训练集导致模型上线失效。核心解决方案包括三种严格的时间切分策略：简单时间切分、滚动时间窗切分和滞后排除切分，强调必须按时间顺序切割数据。文章提出四条黄金预防规则：滑动窗口必须滞后处理、未来协变量严格对齐时间、归一化仅在训练集计算、禁止时序数据打乱顺序。最后给出三种泄露验证方法和Au

本文介绍了水果销量预测中合法合规的4类未来协变量构造方法，包括日历时间、节假日活动、天气预报和店铺计划特征。这些特征完全基于已知或可预测的未来信息，不会泄露实际销量数据。其中节假日效应和天气因素对水果销售影响显著，如夏季西瓜热销、雨天客流下降等。通过合理构建这些协变量（如日期、促销标记、温度等），配合AutoGluon等工具，可提升模型预测精度3%-10%。该方法特别适合水果等季节性商品，既规避数

本文系统总结了生鲜/水果销量预测的5大核心特征维度：时间周期特征（70%销量规律来源）、商品基础属性、历史销量统计特征、价格促销敏感度和库存损耗约束。其中时间特征（星期/节假日/应季性）和商品分类（浆果/瓜类等）最为关键，历史销量数据（7日/14日均值）是时序建模基础，价格因素直接影响需求弹性，库存则决定供应上限。作者提供了可直接套用的特征表结构，强调通过这五维特征组合（尤其时间+历史特征）可显著

本文介绍了水果进销存数据标准化的6步流程：1）合并原始销售、采购和库存数据；2）统一商品名称并建立分类体系；3）处理缺失值、异常值和单位统一问题；4）扩展时间特征以捕捉销售规律；5）计算销量、库存、毛利等核心业务指标；6）按时间划分数据集并进行特征处理。最终生成包含日期、商品、销量、价格、库存等关键字段的结构化宽表，为后续AI预测建模提供高质量数据基础。该流程特别针对水果行业品名混乱、季节性强的特

本文对比了销量预测三大核心指标：WAPE、MASE和RMSE。WAPE是最适合业务场景的指标，反映整体预测准确度，是供应链管理的核心KPI；MASE用于评估模型效果，通过与简单预测对比判断模型价值；RMSE则侧重统计拟合，对极端误差惩罚严重。作者建议采用"WAPE为主+MASE为辅+RMSE监控"的组合方案，其中WAPE用于业务决策，MASE指导模型优化，RMSE排查异常。这三

AutoGluon 1.5.0是AWS开源的自动化机器学习框架，主打"低代码+高性能"特性。其核心采用多层堆叠集成技术，覆盖表格数据、多模态和时序任务三大场景。框架特点包括：1）极致预测性能，通过残差连接和加权集成在OpenML/Kaggle任务中表现优异；2）极简操作，3-5行代码即可完成从数据到模型的完整流程；3）全场景支持，包含自动数据预处理、模型选择与超参优化等功能。最

本文系统总结了企业级大模型应用开发的架构设计与工程规范。核心原则包括统一入口、模型与业务解耦、输入输出安全校验等8大要点，提出7层标准架构分层方案。重点规范了API、Prompt、RAG等7个工程维度，强调安全、成本与日志治理。最后提供10项上线前必检清单，强调架构分层解耦、规范稳定与安全护栏三大关键。全文为企业构建大模型应用提供了全面的技术框架和实践指南。

大模型应用最容易翻车的 10 种反模式 + 失败案例，看完能避开 90% 的坑。

调用 OpenAI、文心、通义、Claude API掌握关键参数：temperature、stream、max_tokens结构化输出（JSON）历史对话管理异常处理、重试、超时