Skip to article frontmatterSkip to article content
Site not loading correctly?

This may be due to an incorrect BASE_URL configuration. See the MyST Documentation for reference.

课程概览

北京大学光华管理学院

人工智能正在改变预测的工作方式。传统预测(traditional forecasting)强调统计模型(statistical model)、专家经验和少量结构化数据(structured data);现代预测系统则综合使用时间序列(time series)、文本、图像、事件、外生变量(exogenous variable)和大规模预训练模型(large-scale pretrained model)。随着 AI 工具的发展,预测研究也在已有理论和实践的基础上继续拓展 Petropoulos et al., 2022Makridakis et al., 2023。本课程旨在帮助学生理解这种变化,并把 AI 工具应用于可复现、可评估的预测流程。

面向读者

本书面向本科生、研究生、MBA 或 EMBA 学员,以及企业、政府、金融、运营、供应链、市场、医疗、能源和科技团队中有预测需求的工作人员和管理者。读者不需要先成为机器学习(Machine Learning, ML)专家,但需要愿意从数据、模型、评估和决策几个环节分析实际问题,并通过 Python、notebook 或 API 完成基本实验。

对本科生和研究生来说,本书提供进入现代预测和 AI 工具链的系统路径;对有管理背景的学员来说,本书强调预测如何服务商业判断、资源配置和风险管理;对一线工作人员来说,本书的重点是把日常遇到的销量、需求、客流、价格、风险、产能和服务量问题转化为可以运行、可以评估、可以复盘的预测任务。

学习目标

完成本课程后,你应该能够:

课程结构

全书正文分为四部分:预测基础与商业决策;大模型、API 与预测评估;时间序列基座模型;实践附录。

第一部分是预测基础与商业决策。第一章介绍 forecasting 与 prediction 的区别,讨论可预测性、时间序列基本特征、预测不确定性和现代预测系统的组成。第二章从时间序列特征、特征工程和自动化学习出发,说明 AI 如何扩展传统预测方法。第三章把预测放入企业管理流程中,强调预测、决策、成本、平台化和组织协作之间的关系。

第二部分是大模型、API 与预测评估。第四章介绍 LLM 的基本能力、token、embedding、prompt、API,以及为什么序列建模思想可以连接语言模型和时间序列预测。第五章介绍使用大模型 API 进行预测的流程,包括把结构化时间序列写入 prompt、调用 OpenAI 兼容 API、解析 JSON 预测结果和进行基本质量检查。第六章从点预测和概率预测出发,解释预测误差、评价指标、未来真实值不可见的问题,以及时间序列交叉验证。第七章使用航空乘客数据和 TimeGPT 示例,比较留后法、滚动窗口、不同预测步长和多类误差指标。第八章讨论金融市场中的 AI 交易、领域知识、反身性、企业文本预测、风险控制和监管问题。

第三部分是时间序列基座模型。第九章解释注意力机制、Query-Key-Value、Transformer 的计算逻辑,以及通用时间序列预测模型的共同范式。第十章介绍分解、多尺度建模、TimeMixer、Time-LLM、Prompt-as-Prefix 和时间序列基座模型的适用边界。第十一章解释 No Free Lunch、组合预测、课堂手工 MoE 练习、gating、Top-K routing 和稀疏激活,说明为什么预测系统需要让不同专家处理不同序列。第十二章讲解 Teacher Model、Student Model、Knowledge Distillation、模型压缩、领域迁移、Chronos 类模型蒸馏、嵌入式 AI 和个人化小模型的预测应用。第十三章以 M5 子集和 TimeGPT notebook 为例,讲解间歇性需求、log1p 变换、经典基线、MAE 评估和外生变量。

第四部分是实践附录。附录A介绍课程需要的 Python 基础,包括表达式、变量、字符串、列表、内置函数、模块、函数定义和第三方包安装。附录B介绍终端、SSH、路径、文件操作、编辑器、重定向、管道、上传下载和运行 Python 的基本命令。附录C说明如何使用远程 Linux 服务器,包括准备账号、通过 SSH 登录、传输文件、配置 Python 环境,以及使用 JupyterLab 或终端运行和管理预测实验。

学完本书后,学生应能够将业务问题转化为可评估的预测任务;使用统计模型、AI 模型和大语言模型构造预测流程;用留后法和滚动窗口评价模型,而不是只展示单次预测;理解预测误差、不确定性和业务决策之间的关系;并能在本地或远程服务器环境中运行课程 notebook 与示例代码。

学习安排与实践准备

学习节奏

完整课程按十六次课组织,根据教学需求可以按照4或8个模块讲授。每次课通常包含概念讲解、课堂讨论和一个小型实践练习。练习的目标不是增加机械性的负担,而是让你在课堂或课后用一小时左右实践当次所学的内容:打开 notebook、确认数据、调用模型或 API、检查输出,并用业务语言解释预测结果。

课堂讨论也是学习的一部分。学习预测不能只背模型名称,还要把问题说清楚:需要提前判断未来的什么情况?哪些信息可用?误差会影响哪些行动?你可以从天气、出行、库存、转化率、金融风险、云资源或家庭产业中找例子,练习把生活和行业问题转化为预测任务。建议每章按四步学习。

  1. 阅读章节正文,先抓住概念和业务问题。

  2. 运行对应 notebook 或示例代码,确认输入、输出和环境设置。

  3. 回到章节练习,把模型结果解释成业务语言。

  4. 记录评估结果,包括数据切分、预测步长、指标和失败案例。

学习预测时不要只追求“模型看起来高级”。任何模型都要回答三个问题:它看到了什么数据,它预测了什么未来,它如何证明自己比简单基准更好。后续章节还会反复强调,多个预测者的组合经常比盲目寻找单一“最好模型”更稳健。

代码与环境

课程代码主要在 notebook、Python 脚本和命令行中运行。推荐工作方式如下:

如果你不熟悉 Python,先读附录A;如果你还不熟悉命令行,先读附录B;如果你需要使用远程 Linux 服务器,先读附录C。

评价规范与材料来源

评价方式

预测任务的评价应包括模型表现和报告质量。一个合格的预测报告至少要说明:

预测结果不是孤立的数字,而是决策的输入。报告中应明确说明误差可能造成什么后果,以及在哪些场景下不应直接使用该预测。

学术诚信与安全

本课程鼓励使用 AI 工具,但是应保留自己的判断和说明。不要把模型输出直接当作事实,也不要提交无法复现的结果。

涉及账号、密码、API key 和企业数据时,应遵守以下原则:

本书材料来源

本书由李丰老师在北京大学讲授的《人工智能预测》相关课程视频、PPT、notebook、课堂示例和人工整理内容合并而成。当前版本是第一轮课程书整理稿,后续仍可继续补充图表、代码输出、案例数据和作业说明。

References
  1. Petropoulos, F., Apiletti, D., Assimakopoulos, V., Babai, M. Z., Barrow, D. K., Ben Taieb, S., Bergmeir, C., Bessa, R. J., Bijak, J., Boylan, J. E., Browell, J., Carnevale, C., Castle, J. L., Cirillo, P., Clements, M. P., Cordeiro, C., Cyrino Oliveira, F. L., De Baets, S., Dokumentov, A., … Ziel, F. (2022). Forecasting: Theory and Practice. International Journal of Forecasting, 38(3), 705–871. 10.1016/j.ijforecast.2021.11.001
  2. Makridakis, S., Petropoulos, F., & Kang, Y. (2023). Large Language Models: Their Success and Impact. Forecasting, 5(3), 536–549. 10.3390/forecast5030030