|
干货 | 我用ARIMA模型预测了11个国家的销量，结果令人意外！
手把手实战：销量预测、自动调参、置信区间，一文看懂时间序列
大家好，我是德里克。
最近接到一个有意思的需求：根据某产品2026年上半年的历史销售数据，预测未来30天（2026年7月）各国每天的销量。
数据涉及11个国家/地区（含阿根廷、巴西、法国、德国、意大利、日本、墨西哥、西班牙、英国、美国、其他），时间跨度181天，颗粒度细到“国家+日”。
拿到这种“多国家时序数据”，第一反应肯定不是用Excel拍脑袋。我选择了经典且稳定的ARIMA模型，配合Python的statsmodels库，实现了一套全自动网格搜索+评估+预测的流程。
今天把整个过程、踩坑点和最终结果拆开揉碎了分享给大家。
一、为什么选ARIMA？它到底在算什么？
很多同学一听到“时间序列”就头疼，什么自回归（AR）、差分（I）、移动平均（MA），名字唬人，其实逻辑特别生活化。
我举个简单的例子：
- AR（自回归）：今天的销量跟昨天、前天的销量有没有关系？比如周末效应，昨天卖得好，今天大概率也不会差。
- I（差分）：如果销量整体在逐月上涨（趋势），我们就做减法——用今天的减去昨天的，把趋势“剃”掉，让数据变平稳。
- MA（移动平均）：今天除了看历史销量，还要看前几天的“意外误差”。比如上周搞了个大促，多卖了100件，这个冲击会延续到未来几天。
ARIMA(p,d,q)就是这三个部分的组合拳。
- p：看几个历史值（滞后阶数）
- d：差分几次（消趋势）
- q：看几个历史误差
听起来复杂，但其实代码里我们直接让机器遍历(p,d,q)组合，选AIC最小的那个，省去了大量人工试错。
二、代码核心流程：四步走
整个Python脚本只有200多行，核心逻辑分四步：
1. 数据清洗与对齐
原始数据是Excel，字段含“时间、国家、实际销量”。
- 按国家 + 时间聚合求和。
- 遇到某些日期没有记录（比如节假日没营业），直接补0。
- 保证每个国家的时间序列是连续的，一天不落。
2. 网格搜索最优参数
对每个国家单独建模（因为各国销量波动规律完全不同）。
设定搜索范围：
- p ∈ [0, 4]
- d ∈ [0, 2]
- q ∈ [0, 4]
一共5×3×5=75种组合，用AIC（赤池信息准则）挑最优。AIC兼顾了模型的拟合优度和复杂度，值越小越好。
3. 测试集验证（滚刀肉环节）
用最后14天做测试集，前面的数据训练。
计算三个硬指标：
- MAE（平均绝对误差）：预测差了绝对值平均多少。
- RMSE（均方根误差）：对大偏差惩罚更狠。
- MAPE（平均绝对百分比误差）：看误差占真实值的比例，消除量纲影响。
4. 未来30天预测 + 置信区间
用全量数据重新训练最优模型，预测未来30天，顺便输出95%置信区间（上下限），告诉老板：真实值大概率落在这个区间里，别把预测当圣旨。
三、各国预测效果大PK，谁是优等生？
脚本跑完后，汇总表让我挺意外。放几个有代表性的国家给大家看看：
|
国家
|
最优参数
|
MAE
|
RMSE
|
MAPE(%)
|
预测30天合计
|
|
美国 (US)
|
(2,2,4)
|
29.41
|
37.47
|
10.26%
|
9,495
|
|
巴西 (Brazil)
|
(4,1,3)
|
13.15
|
18.91
|
13.05%
|
3,736
|
|
英国 (UK)
|
(4,1,3)
|
22.26
|
25.21
|
16.35%
|
4,563
|
|
阿根廷 (AR)
|
(0,2,4)
|
449.27
|
635.70
|
29.57%
|
43,635
|
|
西班牙 (Spain)
|
(3,1,3)
|
54.64
|
68.32
|
40.71%
|
6,572
|
亮点解读：
- 美国是真稳！MAPE只有10%，说明美国市场的日销量波动非常有规律，ARIMA抓到了稳定的周期。
- 巴西、英国紧随其后，误差控制在15%左右，属于“靠谱预测”。
- 阿根廷虽然误差绝对值很大（MAE=449），但它的销量基数本身就大（日均1500+），所以MAPE不到30%，勉强及格。但注意到它的参数是d=2（二阶差分），说明销量趋势变化剧烈，模型为了追趋势牺牲了部分稳定性。
- 西班牙直接翻车了（MAPE=40%）。推测是销量存在剧烈的无规律跳动，或者存在我们没捕捉到的季节/促销因素。这也提醒我们：ARIMA虽好，但遇到波动大的数据，该上外部特征（节假日、天气）还是得上。
四、别只看平均值！置信区间藏着大秘密
我重点看了阿根廷的预测明细，发现一个有趣的现象：
2026-07-01预测销量1425件，95%置信区间是 [568, 2282]。
到了7月30日，预测销量1501件，区间变成了 [-2262, 5263]！
注意，下限变成了负数！
这在统计学上没问题，但在业务上，销量不可能是负数。这说明：
- 预测时间越远，不确定性呈指数级放大（虽然ARIMA的区间有时不会像LSTM那样爆炸，但阿根廷数据太抖了）。
- 如果你的业务要求精准安全库存，只看预测均值会害死人。必须看置信下限，并以此为基础设置“安全库存底线”。
反观巴西，预测值稳定在120左右，置信区间也收得很窄（比如[40, 210]），这样的预测结果直接拿来指导补货，决策成本低很多。
五、关于代码和落地的一些大实话
- 自动选参是双刃剑：虽然grid_search很省事，但在数据量小或噪声大的情况下，AIC最小不一定预测效果最好。我建议跑完代码后，人工看一眼d值，如果d=2（差分两次），最好再拿ADF检验验证一下平稳性。
- 缺失值填0合理吗？ 要看业务场景。如果某天没销售就是没开张，填0很合理。但如果只是没记录，填0会严重拉低均值。本项目基于“销售基础数据”，默认没记录即为0，业务上说得通。
- Excel输出好评：脚本将结果写入了4个Sheet（模型汇总、按国家按日汇总、横向对比、各国单独页），直接把Excel甩给业务部门，他们用透视表就能二次分析，数据人要学会用业务熟悉的方式交付。
六、写在最后：预测只是起点，决策才是终点
这次ARIMA实战，让我再次感受到：
时序预测不是炫技，而是对“不确定性”的管理。
如果你的数据平稳、规律，ARIMA是小而美的利器（几行代码就出结果，可解释性极强）。
如果你的数据波动大（像阿根廷、西班牙），别死磕纯统计模型，考虑引入外部变量（节假日、促销），或者直接上Prophet、XGBoost。
最后，附上本次实战的核心代码文件（sales_arima_forecast.py）和完整预测结果CSV，大家获取课程https://edu.fanruan.com/video/590即可享有核心代码文件。照着跑一遍，你也能成为公司里的“预测小能手”。
| 
