冻结预测目标、预测期与决定
- 判断问题
- 需要预测什么准确数量、范围、粒度、截止时间与提前期，用于什么决定，哪些错误最重要？
- 最低证据
- 逐字主张与日期；准确系统、模型、特征、训练与运行版本；目标定义、单位、聚合、频率、预测期、用户、决定、非对称损失、阈值与拒绝规则。
- 停止条件
- 宽泛的“预测需求”或“最佳预测模型”替代明确目标、预测期、频率、损失与决定时停止。
较低平均误差不是实时预测能力；一条曲线不是可迁移证据
预测能力必须把目标、数据可用时间、回测、基线、不确定性、完整分母与环境变化保留在同一证据链中。
预测不是普通随机切分下的拟合任务。评估必须在每个预测起点隔离未来，使用当时真正可用的数据版本，并以与决定一致的预测期、损失和基线测量点预测与概率预测。
适用边界本页是公共研究方法，不代表 FUURAA 或 FUUVO 产品能力，也不评价任何模型、供应商、数据集或排行榜；不构成需求、市场、财务、运行、科学、气候或其他结果保证。
六道可拒绝的证据门
每道门都要求最低证据，并在关键未知时停止外推或缩小结论。
版本化序列、可用时间、修订与协变量
- 判断问题
- 每个预测起点实际可用哪些数值与外部变量，之后又发生了哪些变化？
- 最低证据
- 序列溯源、快照与可用时间戳；初值与修订版本；层级与聚合映射；日历、价格、天气、促销与政策协变量；缺失、截尾、异常、缺货与干预规则。
- 停止条件
- 最终修订值、未来才知的特征或未记录清洗步骤被当作实时可用信息进入训练或评估时停止。
隔离未来并重建滚动起点回测
- 判断问题
- 每个训练、验证与测试窗口能否仅使用预测起点当时可用的信息重建？
- 最低证据
- 按时间切分与滚动起点；隔离期或间隔规则；特征计算时间戳；超参数与模型选择边界；重训频率、回看窗口与随机种子；冻结的评估代码、基线与完整窗口分母。
- 停止条件
- 随机切分、重叠窗口、测试集调参、未来聚合或不可用协变量使回测比部署更容易时停止。
比较强基线并评估不确定性
- 判断问题
- 系统能否在决定所需的指标与不确定性上超过相关朴素与统计基线？
- 最低证据
- 季节朴素、末值、漂移、移动平均与经调优统计基线；采用明确公式的 MAE、RMSE、MASE、sMAPE 或决定损失；分位数与预测区间；校准、实际覆盖率与宽度；层级、间歇性、预测期与关键分层结果。
- 停止条件
- 单一平均误差、单一榜单排名或没有覆盖率的狭窄区间替代基线比较、分层分析与已校准不确定性时停止。
计入每条序列、窗口、失败与运行成本
- 判断问题
- 完整合格总体、多次运行与尾部条件中实际发生了什么？
- 最低证据
- 全部序列与预测起点；空白、迟到、缺失与失败预测；低销量、间歇、冷启动与环境分层；多次运行方差；重训失败、回退、人工覆盖与层级协调；时延、算力、存储、复核时间与总成本。
- 停止条件
- 精选序列或平均准确率掩盖不可用预测、关键失误、不稳定重复、人工救援、尾部时延或成本时停止。
跨越环境变化迁移并让主张到期
- 判断问题
- 需求、政策、价格、行为、传感器或运行变化后，结果是否仍然有用？
- 最低证据
- 影子或分阶段运行；代表性新鲜度与时延；干预与结构突变测试；漂移、校准与覆盖率监测；人工验收与下游决定结果；重训触发器、回退、回滚、责任人与到期日。
- 停止条件
- 静态回测未经目标验证与回滚便直接外推至库存、排班、市场、财务、科学或公共决定时停止。
最低预测主张失效矩阵
主动检查这些情形，避免把精选回测、平均误差或基准排名外推为真实预测能力。
- 01目标或特征泄漏让未来信息进入训练或评估
记录受影响的目标、序列、预测期、数据版本、指标与决定；保留仍成立的最窄结论，并明确需要重切数据、修复泄漏、重跑、扩大区间、回退基线、限制用途还是撤回主张。
- 02使用最终修订数据，而预测起点当时只有更早版本
记录受影响的目标、序列、预测期、数据版本、指标与决定；保留仍成立的最窄结论，并明确需要重切数据、修复泄漏、重跑、扩大区间、回退基线、限制用途还是撤回主张。
- 03基准预测期、频率或聚合方式不同于实际决定
记录受影响的目标、序列、预测期、数据版本、指标与决定；保留仍成立的最窄结论，并明确需要重切数据、修复泄漏、重跑、扩大区间、回退基线、限制用途还是撤回主张。
- 04平均准确率掩盖稀有、低销量、间歇或冷启动序列的弱表现
记录受影响的目标、序列、预测期、数据版本、指标与决定；保留仍成立的最窄结论，并明确需要重切数据、修复泄漏、重跑、扩大区间、回退基线、限制用途还是撤回主张。
- 05复杂模型未能稳定超过季节朴素或其他经调优基线
记录受影响的目标、序列、预测期、数据版本、指标与决定；保留仍成立的最窄结论，并明确需要重切数据、修复泄漏、重跑、扩大区间、回退基线、限制用途还是撤回主张。
- 06预测区间看似狭窄，却比声称频率更常漏掉真实值
记录受影响的目标、序列、预测期、数据版本、指标与决定；保留仍成立的最窄结论，并明确需要重切数据、修复泄漏、重跑、扩大区间、回退基线、限制用途还是撤回主张。
- 07层级协调改善总量，却掩盖关键商品或地点错误
记录受影响的目标、序列、预测期、数据版本、指标与决定；保留仍成立的最窄结论，并明确需要重切数据、修复泄漏、重跑、扩大区间、回退基线、限制用途还是撤回主张。
- 08促销、故障、政策变化或结构突变使历史证据失效
记录受影响的目标、序列、预测期、数据版本、指标与决定；保留仍成立的最窄结论，并明确需要重切数据、修复泄漏、重跑、扩大区间、回退基线、限制用途还是撤回主张。
最低预测能力评估记录
让下一位复核者能以同一数据版本、预测起点、基线、系统与完整窗口重建结论。
- 01主张、日期、责任人、目标、范围、粒度、预测期、频率、用户与决定损失
- 02系统、模型、特征、训练、运行、软件包与部署版本
- 03序列溯源、快照、可用时间、修订、权限与排除项
- 04层级、协变量、业务定义、缺失、异常、截尾与干预规则
- 05按时间切分、滚动起点、隔离期、回看窗口、重训频率与随机种子
- 06朴素与统计基线、指标公式、决定阈值与参考代码
- 07点预测误差、分位数、区间校准、覆盖率、宽度与关键分层
- 08全部序列与窗口、缺失预测、失败、重复、回退与修正
- 09时延、算力、存储、人工复核、下游影响与总运行成本
- 10目标证据、漂移监测、变化触发器、回退、回滚、责任人与到期日
统一证据状态
把结论绑定到准确链路、目标、数据版本、回测、完整分母、目标流程与日期。
准确链路在代表性目标序列上超过明确基线，并达到点预测、不确定性、关键分层、可用性、时延、成本与决定阈值，且有当前复核日期。
支持仅在明确目标、序列总体、预测期、数据版本、协变量、环境或运行控制下成立。
相对基线提升、校准、覆盖率、可用性、关键错误、稳定性、时延或成本随预测期、序列或环境显著变化。
缺少目标、可用数据版本、无泄漏回测、基线、不确定性、完整分母、目标迁移或到期边界。
FUURAA 分析AI 预测与时间序列能力主张的最小判断单位是“准确系统、模型、特征、训练与运行版本 × 预测目标、范围、粒度、提前期、频率、用户与决定 × 时间序列溯源、可用时间、修订、层级、协变量、缺失与异常 × 切分、滚动回测、基线、训练、更新与后处理 × 点预测、区间、校准、覆盖、关键错误与业务损失 × 全部序列、窗口、失败、方差、人工修正、时延与成本 × 目标流程边界和截止日期”。较低的离线平均误差只是一个观察，不是可迁移的实时能力证明。
一手来源与不可外推边界
这些来源分别约束大规模竞赛、层级零售、跨领域档案、长序列效率、分解与多周期建模。
来源于 2026 年 8 月 30 日重新核对。每项保留发布日期、方法作用与不可外推边界。
2018 年 10 月发布M4 Competition — Results, Findings and the Way Forward
在 100,000 条序列上评估点预测与预测区间，展示强统计基线、组合方法与混合方法的价值。
边界在选定频率与预测期上的竞赛排名，不能证明在另一总体、信息集、损失函数、环境状态或实时决定中的准确性。
打开一手来源 ↗2022 年 10 月发布M5 Accuracy Competition — Retail and Hierarchical Forecasting以 42,840 条层级零售销量序列测试间歇需求、解释变量、分组评估与机器学习方法。
边界单一零售商、竞赛数据可用条件与加权指标不能证明对另一商品目录、层级、修订流程、成本函数或运行环境的迁移。
打开一手来源 ↗2021 年 5 月 14 日发布Monash Time Series Forecasting Archive提供来自不同领域、频率、长度与缺失条件的 20 个数据集，并给出八种误差指标下的标准基线。
边界广泛公共档案能提高比较覆盖，却不能复现私有目标序列、数据时延、修订、干预或业务损失。
打开一手来源 ↗2020 年 12 月 14 日发布Informer — Long Sequence Time-Series Forecasting中国团队主导的研究提出稀疏注意力、蒸馏与生成式解码器，用于提高长序列预测效率。
边界选定长周期数据集上的结果不能证明优于经调优的简单基线，也不能证明无泄漏回测、区间校准或实时可靠性。
打开一手来源 ↗2021 年 6 月 24 日发布Autoformer — Decomposition and Auto-Correlation中国团队主导的研究将渐进分解与自相关机制结合，用于建模长期预测中的季节与趋势结构。
边界基准切分上的架构增益不能证明相同分解、变量、预测期或误差在结构突变后仍然适用。
打开一手来源 ↗2022 年 10 月 5 日发布TimesNet — Temporal 2D-Variation Modeling中国团队主导的研究把多周期时间变化映射到二维空间，用于预测及其他通用时间序列任务。
边界通用基准表现不能证明生产数据溯源、未来数据隔离、概率校准、运行成本或决定价值。
打开一手来源 ↗继续核对