需求预测指数平滑与预测偏差追踪器｜MES与生产管理工具
这个工具解决什么问题
做预测不难，难的是知道当前模型还准不准。很多工厂的预测参数几年不调，误差悄悄放大到失控才发现。本工具用 24 周历史数据在 SES（平稳）与 Holt（趋势）间按 RMSE 自动择优，输出未来 4 周预测与 90% 区间；更重要的是偏差体检：CFE 累计误差、MAD、MAPE、追踪信号 TS=CFE/MAD，按「|TS|>4 且 MAPE≥2%」双条件判失效，避免被低量级漂移假警报骚扰。附预测进排产的执行口径（主计划用中值、物料备 +0.9σ）。
输入数据格式
数据文件 demand_history.csv，列顺序为：周次、出货量(片)。
示例首行：W01,1161.0
示例输出（真实运行结果节选）
======================================================================== 需求预测与预测偏差追踪报告（24 周历史 → 未来 4 周预测） ======================================================================== 一、模型选择 SES 最优 RMSE=35（α=0.95）｜ Holt 最优 RMSE=14（α=0.95, β=0.70） 采用模型：Holt 双参数指数平滑（α=0.95, β=0.70）。趋势被稳定跟踪并外推进预测。 拟合 RMSE=14 片 ｜ 残差 σ=14 片 二、未来 4 周预测（±90% 区间） 第 +1 周：1734 片 区间 [1715, 1752] 第 +2 周：1752 片 区间 [1733, 1770] 第 +3 周：1770 片 区间 [1752, 1789] 第 +4 周：1788 片 区间 [1770, 1807] 三、预测偏差体检（用历史一步预测残差） CFE 累计预测误差 = -54 片 ｜ MAD = 12 ｜ MAPE = 0.9% 追踪信号 TS = CFE/MAD = -4.33 ｜ 告警线 |TS|>4 且 MAPE≥2% → 观察 ⚠（量级低） 诊断：TS 超线但 MAPE=0.9%（<2%），属低量级漂移——偏差绝对值对排产无实质影响， 列入周度观察即可；一旦 MAPE 抬升到 2% 以上再启动重训。 四、预测如何进排产 1. 主计划按「预测中值」排，物料按「预测 +0.9σ」备（约 82% 满足率）； 2. 每周滚动重跑：新数据进来后 α/β 重寻优一次，防止参数老化； 3. 预测区间给销售做订单评审：落在区间外的急单才需要插单讨论； 4. TS 每周必看——它比 MAPE 早 2~3 周发现模型失效。 五、结论 未来 4 周预测均值 1734、1752、1770、1788，MAPE=0.9%、TS=-4.33，模型判定「观察」。
一句话
用 SES/Holt 双模型自动择优做滚动预测，并用追踪信号 TS 盯住「模型什么时候开始失效」。
运行环境与快速开始
python demand_forecast_es.py
输入数据格式（换成你的数据即可）
· CSV：周次, 出货量（≥8 周数据，越多越稳） · 前 22 周拟合、末 2 周快速校验的划分逻辑可按数据量调整
输出说明
模型择优结果、未来 4 周预测与区间、偏差体检（CFE/MAD/MAPE/TS）、失效判定与重训建议、排产使用口径。
算法口径（关键公式）
· SES: s_t = αy_t + (1−α)s_{t−1} · Holt: 水平 + 趋势双更新 · TS = CFE/MAD，|TS|>4 告警
判定标准说明
脚本顶部集中了主要阈值与常量：CSV_PATH=os.path.join(HERE, "demand_history.csv")、RPT_PATH=os.path.join(HERE, "示例输出报告.txt")。改完直接重跑即可，不必改动计算逻辑。
会生成哪些文件
运行后除控制台输出外，还会生成：demand_history.csv、示例输出报告.txt。
脚本里的主要处理步骤
gen_history()：24 周出货：基线 1100 + 稳定趋势 +28/周 + 温和季节摆动 + 零均值噪声。
以上步骤在脚本中是分开的函数，可以单独调用或按需替换其中一段，不必整体重写。
工具中出现的字段与提示
- 出货量(片)
- Holt 双参数指数平滑
- SES 一次指数平滑
- MAPE=%.1f%% 数量级异常
- 需求预测与预测偏差追踪报告（%d 周历史 → 未来 4 周预测）
- 一、模型选择
- 采用模型：%s（%s）。%s
- 趋势被稳定跟踪并外推进预测。
- 噪声占比高于趋势信号，SES 更稳健；若后续趋势走强，Holt 将自动胜出。
- 拟合 RMSE=%.0f 片 ｜ 残差 σ=%.0f 片
- 二、未来 4 周预测（±90% 区间）
- 第 %+d 周：%.0f 片 区间 [%.0f, %.0f]
- 三、预测偏差体检（用历史一步预测残差）
- 已触发 ⚠
- 观察 ⚠（量级低）
- 正常 ✅
- 诊断：TS 连续同向漂移说明需求形态变了（爬坡/促销/季节），模型在系统性偏航，
- 应重设 α/β 或改用带季节项的 Holt-Winters，而不是继续沿旧参数硬跑。
其余字段以界面与示例报告为准。
下载与文件清单
压缩包内包含：主程序脚本、示例数据文件、示例输出报告、中文说明文档，以及同主题 AI 提示词一套。解压后按说明运行即可，示例数据可直接试跑。
主程序文件：demand_forecast_es.py。
本站工具免费下载，无需注册。工具为 Python 脚本，Python 3.8 及以上环境可直接运行，核心功能尽量不依赖第三方库。
常见问题
输入数据要准备成什么样？
按 示例首行中的列顺序准备即可，共 2 列：周次、出货量(片)。列为空或格式不符时结果会失真，建议先用示例数据试跑一遍。
阈值可以改成我们自己的标准吗？
可以，脚本顶部已把主要阈值与常量集中声明，按自己产线的标准修改后重跑即可，不需要改计算逻辑。
附赠的提示词怎么用？
把提示词与自己的数据一起交给大模型，可以让它按同一套口径帮你改写分析流程或扩展报告字段。
示例数据能直接跑吗？
可以。示例数据与主程序在同一压缩包内，解压后直接运行即可看到完整输出，确认无误再替换成自己的台账。
同分类的其它工具
分类归属：MES与生产管理工具包；完整清单在 工具资源包下载页。
