欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

用 Prophet 做零售销量时序预测与智能补货建议

上邦 AI 工程团队2026-09-12阅读 约 6 分钟
本文用 Facebook 开源的 Prophet 对零售商品销量做时序预测,纳入节假日与促销效应,输出未来走势与置信区间,并据此给出安全库存与补货量建议。代码可直接在门店销售数据上复现,帮助降低缺货与积压风险,提升库存周转。

场景与目标

零售门店销量受季节、节假日与促销影响波动明显,补货靠经验常导致缺货或积压。本文用 Facebook 开源的 Prophet 对历史日销量做时序预测,纳入节假日与促销效应,输出未来走势与置信区间,并据此给出安全库存与补货量建议,代码可直接在门店数据上复现。

步骤一:准备数据并拟合模型

Prophet 要求两列数据:ds(日期)与 y(数值),用日粒度销量即可:
pip install prophet

from prophet import Prophet
import pandas as pd

df = pd.read_csv('daily_sales.csv')  # 含 ds,y 两列
df['ds'] = pd.to_datetime(df['ds'])
m = Prophet(weekly_seasonality=True, yearly_seasonality=True)
m.fit(df)

步骤二:加入节假日与促销效应

内置节假日可自动建模,大促等店铺活动可作为额外节假日加入:
m.add_country_holidays('CN')
promo = pd.DataFrame({
    'holiday': 'promo',
    'ds': pd.to_datetime(['2026-06-18', '2026-11-11']),
    'lower_window': 0, 'upper_window': 2,
})
m = Prophet(weekly_seasonality=True).add_country_holidays('CN')
m.holidays = pd.concat([m.holidays, promo]) if m.holidays is not None else promo
m.fit(df)

步骤三:预测并生成补货建议

预测未来30天,用预测下限推算安全补货量,避免断货:
future = m.make_future_dataframe(periods=30)
fcst = m.predict(future)
need = fcst[['ds', 'yhat', 'yhat_lower']].tail(30)
on_hand, in_transit = 120, 60
reorder = (need['yhat_lower'] - on_hand - in_transit).clip(lower=0)
print(need[['ds', 'yhat']].assign(reorder_qty=reorder.round()))
提醒:Prophet 对强季节性数据有效,但大促突变与突发舆情需额外回归量;建议以周为粒度滚动重训,并把预测下限而非点估计用于安全库存,降低缺货风险。

参考来源

Prophet 官方文档(Forecasting at scale,Python 快速开始) - facebook.github.io/prophet。
相关标签:销量预测Prophet时序预测智能补货零售AI

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案