预测总是差一截？把你知道的信息交给模型：TimechoAI协变量预测实战

从一个卖伞的故事说起

先给大家讲个有趣的故事。

在街角有一家小杂货店，老板专门卖雨伞。一天，他想预测明天该备多少伞，于是翻出了过去半年的销售记录，逐条查看：哪天卖得多，哪天少。经过一番分析，他得出一个平均值，决定按每天七八把的销量来备货。

结果呢？接连几天下大雨，伞居然卖光了！老板心里很不解：明明有数据，怎么就没算准呢？

其实问题不在于他的计算，而是他只看了“卖出多少”这一个层面，却忽略了“为什么卖这么多”。雨伞的销量与天气是密不可分的，而天气预报早就提示明天有雨，这个信息他虽然知道，却没有考虑进去。

这个小故事揭示了一个时序预测的普遍原则：一条数据的未来，不仅取决于它的历史，还受许多外部因素的影响。

比如，雨伞的销量跟天气有关，奶茶店的销量受节假日影响，写字楼的用电量与气温相关，商场的人流量则与促销活动息息相关。这些外部因素可能在你的数据中已有记录，或者你可能提前就知道一部分信息，比如天气预报或促销信息。但是很多人做预测时，手里握着这些信息，却不知道如何有效利用，最后只能用“看历史、猜未来”的方式。

这就是预测不精准的常见原因之一：未能充分利用所有信息。

那么，有没有办法把这些“额外的信息”有效地输入到预测模型中呢？当然有，这个方法称为协变量（Covariate）。TimechoAI平台对此提供了强大的支持，只需在调用时添加两个额外参数，就能将天气预报、促销日历、节假日安排等信息传递给模型。

接下来，我将详细说明：协变量是什么，如何在TimechoAI中使用它，以及如何进行完整的对比实验，具体的功能在实际业务中又能带来什么帮助。其中还有可运行的代码，让你可以轻松上手。

什么是协变量？简单易懂的解释

先给个简单的定义，但我不会用太复杂的术语。

协变量是指在预测的主数据之外，所有可能对其产生影响的时间序列数据。

想象一下，你需要预测一家奶茶店未来一周的销售额。这里分为几个角色：

• 销售额本身：这条数据按天记录，就是我们的目标变量（Target），它是关键。
• 每天的气温：天气热时，顾客会买得更多。
• 每天是否为周末：周末的顾客量通常更多。
• 每天是否有促销活动：促销对销量的影响更是显著。

虽然这三项不是主角，但它们都会在旁边影响主角的走向，这就是协变量。

通过图示，我们能看到协变量不仅影响历史数据，还会继续影响未来。明天的气温、是否是周末、是否有活动，这些都会直接影响明天的销量。因此，协变量绝对不是可有可无的，它们是预测公式中不可或缺的一部分。

协变量的分类

进一步来看，协变量可以按“时间上的位置”分为两类，这一分类很重要，因为在TimechoAI中，它们对应不同的参数设置。

第一类：历史协变量（History Covariates）。

这类数据指的是过去的辅助数据。比如过去一个月的每日气温和客流量。这些数据是已经发生的事实，能够帮助模型理解过去销售波动的原因——例如，过去销量高的原因可能是由于连续的晴天和周末促销。如果模型搞清楚了这个“为什么”，对规律的理解就会更深刻。

第二类：未来协变量（Future Covariates）。

这类数据指的是未来时间段的已知信息。听起来可能有些复杂，但其实非常常见：

• 天气预报：明天的气温，气象台已经给出预测值。
• 日历信息：知道明天是周六，后天是节假日。
• 活动排期：知道下周三会有大促销。
• 库存计划：知道下个月要备多少货。

它们的共同点是：虽然事情还未发生，但我们已经掌握了相关信息。这种未来信息对于预测的价值往往超过历史协变量——毕竟，预测的目的是为了了解未来，提前掌握未来的影响因素，预测的准确性就会提高。

简单来说，历史协变量帮助我们解释过去，而未来协变量则为我们指引未来。

为什么协变量能够提升预测精度

可能有人会问：大模型不都说自己很聪明吗？难道只看目标变量的历史数据就可以了吗？

其实在大部分情况下，仅仅依靠历史数据确实能做出个大概的预测。因为数据本身会有惯性——今天如果卖了100杯，明天大概率也不会差太远。但仅靠历史数据应对外部因素的影响，就很容易出错：

• 如果不考虑天气信息，模型会认为“明天降温”这条信息不存在，随便给个普通的预测值。结果寒潮一来，销量翻倍，预测偏差就很大。
• 如果不考虑促销信息，模型会将以往的促销日销量当成随机波动，最后导致预测失真。

通过一个简单的例子来说明这个问题。假设某店的日销量长期在200上下波动，历史上有几次促销期间冲到了500。如果你要预测“下周三”的销量，模型会查看历史数据，发现周围的销量都在180到220之间，于是预测200。而实际上下周三是促销日，真实销量却是480——这个预测误差直接达到280，误差率超100%。不过如果模型事先知道“下周三是促销”，它就能学会“促销日的销量规律”，给出的预测可能是450上下，误差瞬间降到30以内。

你看，同一个模型，信息更多，预测质量完全不同。信息的充分与否，直接影响预测的精度，这在时序预测里几乎是个公理。

所以说，很多人的预测“看着做了，却总差一截”，原因在于输入信息不全面。如果让一个只看历史的模型去猜测一个受外部因素影响的序列，它只能输出一个平均值，而业务上才最需要的，就是那些“关键时刻”的准确预测。

而有了协变量后，模型就明白了“哦，原来那些尖峰是因为促销”，它就会学会促销与销量之间的关系，等到下次预测时，你告诉它“下周三有促销”，它就知道要调整预测值了。

因此，协变量带来的精度提升通常集中在那些外部影响大的关键日子——而这些日子在业务上正是最有价值的：备货、排班、库存都需要根据这些天的数据来做决定。

TimechoAI在这方面的好处在于：它将“使用协变量”的门槛降低到了只需传递两个参数的程度。传统的开发流程中，光是将外部特征与目标序列对齐、输入模型、处理缺失数据，就可能耗费工程师好几天。而在TimechoAI，这一切都变得简单快捷。

TimechoAI中的协变量：两个参数与两条规则

前面的概念阐述完了，接下来聊聊实际操作。在TimechoAI的Python SDK中，协变量的对应方法是forecast()，需要传入的两个参数是：

• history_covs：历史协变量，类型为pandas DataFrame。
• future_covs：未来协变量，类型同样为pandas DataFrame。

此外，还有两个参数需要配合使用：

• time_col：指定时间列。设置后，所有传入的数据（目标变量和协变量）都需要包含时间列，这样服务端才能按照时间对齐数据。
• auto_adapt：自动数据适配，默认为True。如果数据有一些小问题，比如频率不一致或长度差异，它会自动进行一些调整，新手建议保持默认。

配图中展示的“历史 / 现在 / 未来”时间轴图，就是这两个参数在时间线上的关系：

接下来是两条必须牢记的规则，传错参数就会报错：

这两条规则的含义是：

规则一：历史协变量长度需与目标变量一致。你提供240个点的历史销量，那历史协变量也需有240个点——第1天的气温对应第1天的销量，第240天的气温对应第240天的销量，必须一一对应，缺一不可。

规则二：未来协变量的长度需等于预测长度。若你要预测未来14天（output_length=14），那么未来协变量也得有14天的数据——从历史数据下一天开始，到预测结束的那一天为止。还有注意，数据类型必须是数值型：气温、湿度、节假日标志（1/0）、促销力度（折扣数）都可以，但像“周一/周二/周三”这种文字需要先转换为数字，这个细节后面会再说。

掌握了这两条规则，协变量预测就已经成功了一大半，接下来就是动手跑代码的环节。

实战准备：环境与数据

开始之前，先把环境准备好。总共需要三样东西：

第一，Python环境。版本要求是3.10至3.13，确保不要使用过老的版本。

第二，官方SDK。只需要输入一行命令：

pip install timecho-ai

第三，API密钥。去官网 https://ai.timecho.com 注册账号，进入控制台创建一个密钥，后面使用客户端时用到。

在数据方面，官方文档已经提供了一份协变量示例数据 sample_cov.csv，你可以直接通过网址读取，不需要自己寻找。这份数据的结构如下：每行对应一个时间点，共有四列——

• time：时间列。
• target：目标变量，也就是要预测的那条数据。
• temperature：气温，典型的协变量。
• humidity：湿度，另一项协变量。

用这份数据练手再合适不过：目标变量是主角，而气温和湿度则是外部影响因素，完美展示协变量的使用方法。等你自己上手后，把这些列替换成你业务中的真实数据，比如将temperature换成“客流量”，humidity换成“促销标志”，方法是一样的。

值得一提的是，现实业务中，很多公司早已积累了丰富的协变量数据：销售系统中的促销记录、运营排期表中的活动计划、行政日历中的节假日安排、运维监控中的历史负载等。这些数据往往分布在不同的系统中，格式各异。做协变量预测前的准备工作，实际上就是把这些数据整理到一张表中——一列时间、一列目标变量、若干列协变量，每行代表一个时间点，跟sample_cov.csv的结构一致。整理这一步，Excel就能轻松完成，pandas也行，技术门槛几乎为零。换句话说，协变量预测最大的挑战在于，你能否认真记录下业务中那些“影响因素”并将其转化为数据。从现在开始，留意记录，三个月后你就会成为公司数据最丰富的人。

实战第一回合：不加协变量，先跑个基准

进行对比实验有个原则：先跑基准，再进行改动。否则，很难分清协变量究竟是帮了忙还是反而成了障碍。

基准版本就是最基础的预测，仅依靠目标变量，代码不长：

import pandas as pd
from timecho_ai import TimechoAIClient

# 创建客户端（需替换为您的 API Key）
client = TimechoAIClient(api_key="your_timecho-ai_api_key")

# 任务定义：输入 16 个点，预测 8 个点
INPUT_LENGTH = 16
OUTPUT_LENGTH = 8

# 读取示例数据
raw_df = pd.read_csv("https://ai.timecho.com/data/sample_cov.csv")

target = raw_df[["time", "target"]][:INPUT_LENGTH]

# 不带协变量，直接预测
result = client.forecast(
targets=target,
output_length=OUTPUT_LENGTH
)

print(result[0])