课程概览

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）；现代预测系统则同时使用时间序列（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），这也延续了预测研究中从理论、实践到 AI 工具扩展的主线 Petropoulos et al., 2022Makridakis et al., 2023。本课程的目标，是帮助学生理解这种变化，并能把 AI 工具放入可复现、可评估的预测流程中。

面向读者¶

本书面向大学本科生及以上学员、MBA或EMBA学员，以及在企业、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，但需要愿意把实际问题拆成数据、模型、评估和决策几个环节，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 MBA 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：

• 区分一般预测（prediction）、时间序列预测（forecasting）、点预测（point forecast）和概率预测（probabilistic forecast）。

• 识别一个业务问题中的目标变量（target variable）、预测步长（forecast horizon）、信息集（information set）和评估指标（evaluation metric）。

• 使用 Python、notebook 和 API 构造基础预测流程。

• 解释大语言模型、Transformer 和时间序列基座模型如何进入预测任务。

• 通过留后法（holdout validation）和滚动窗口（rolling window）评估预测质量。

• 将预测误差（forecast error）、不确定性（uncertainty）和业务成本（business cost）联系起来。

课程结构¶

课程概览放在四个部分之前，帮助读者理解课程目标、学习路径、材料来源和评价方式。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。第五章展示如何把结构化时间序列写入 prompt，调用 OpenAI 兼容 API，解析 JSON 预测结果，并进行基本质量检查。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。第十四章说明如何申请 PKU 集群账号、使用 Web 界面和 JupyterLab、通过 SSH/OTP 登录、传输文件，以及在集群中安装 Python 包。第十五章覆盖课程需要的 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。第十六章介绍终端、SSH、路径、文件操作、编辑器、重定向、管道、上传下载和在服务器上运行 Python 的基本命令。

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；并能在本地或集群环境中运行课程 notebook 与示例代码。

学习节奏¶

课程按十六次课组织。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负担，而是让你在课堂或课后用一小时左右把当次内容跑通：打开 notebook、确认数据、调用模型或 API、检查输出，并把预测结果解释成业务语言。

课堂讨论也属于学习的一部分。预测不是只背模型名称，而是要把问题说清楚：哪个未来需要提前判断？哪些信息可用？误差会影响什么行动？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翻译成预测任务。

如何学习¶

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 Wang et al., 2023。

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：

• 用 Git 管理课程材料和自己的修改。

• 用独立 Python 环境安装依赖。

• 把 API key 放在环境变量中，不要写入 notebook。

• 对每次实验记录数据版本、模型参数和评估指标。

• 在本地资源不足时使用 PKU 集群或其他计算平台。

如果你还不熟悉命令行，先读第十六章；如果你不熟悉 Python，先读第十五章；如果你需要使用学校集群，先读第十四章。

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：

• 数据来源和清洗方式。

• 预测目标、频率和步长。

• 使用的模型或 API。

• 训练集（training set）、测试集（test set）或滚动窗口设计。

• 至少一个简单基准模型（simple baseline model）。

• 误差指标和业务解释。

• 模型局限与下一步改进。

预测结果不是孤立数字，而是一个决策输入。报告中应明确说明误差可能造成什么后果，以及哪些场景下不应直接使用该预测。

学术诚信与安全¶

使用 AI 工具时，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：

• 不在仓库、notebook、截图或作业正文中暴露密钥。

• 不上传敏感企业数据到未经批准的外部模型服务。

• 对模型生成的引用、数据和结论进行核验。

• 在报告中说明 AI 工具参与了哪些步骤。

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》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。L00-L11 的段落化课堂转写已经用于补充课程节奏、预测概念、企业平台案例、评估边界、自动化特征工程、TimeGPT 课堂演示、大语言模型概念、API 工作流、概率预测、点预测误差、滚动评估、复苏预测、金融 AI 交易案例、现代预测平台、Transformer 机制、PyTorch 练习、Chronos-2 本地时间序列基座模型、长表多序列预测、协变量需求预测、个人 AI 算力、Autoformer、TimeMixer、多尺度分解、时间序列 token、No Free Lunch、组合预测、MoE 路由、模型蒸馏、Teacher-Student 学习、嵌入式 AI 和课堂环境排错说明。

参考文献¶