生鲜零售AI需求预测：时序建模与促销因子校准

生鲜品类保质期短、需求波动大，传统统计预测在促销与天气叠加场景下误差明显。零售电商实验室近期围绕“时序基线+外生因子”的混合建模思路开展实验，验证AI需求预测在生鲜补货场景的落地可行性。
技术路线上，团队以LightGBM与Temporal Fusion Transformer为基线模型，引入节假日、促销力度、气温与降雨等外生变量，并针对长尾SKU采用分位数回归输出预测区间，为补货决策提供风险参考。
阶段性进展：

• 在某连锁商超3个月脱敏销售数据上，核心品类MAPE由统计基线的24.6%降至15.8%，促销日预测偏差收窄约31%；
• 预测区间覆盖率达88%左右，可直接用于按损耗成本加权的订货量测算。

下一步计划接入门店级天气格点数据并开展小规模灰度验证，重点评估缺货率与损耗率的联动变化，避免单一指标优化带来的副作用。