如果？零售中价格影响的预测

您可以使用 TimeGPT 预测一组时间序列，例如零售中的产品需求。但如果您想评估该产品的不同定价方案怎么办？执行此类情景分析可以帮助您更好地了解定价如何影响产品需求，并有助于决策制定。

在本示例中，我们将向您展示：* 如何使用 TimeGPT 将价格作为外部变量预测产品需求 * 如何评估影响产品需求的不同定价方案

1. 导入包

首先，我们导入所需的包并初始化 Nixtla 客户端。

import pandas as pd
import os

from nixtla import NixtlaClient
from datasetsforecast.m5 import M5

nixtla_client = NixtlaClient(
    # defaults to os.environ.get("NIXTLA_API_KEY")
    api_key = 'my_api_key_provided_by_nixtla'
)

👍 使用 Azure AI 端点

要使用 Azure AI 端点，请记住也要设置 base_url 参数

nixtla_client = NixtlaClient(base_url="you azure ai endpoint", api_key="your api_key")

2. 加载 M5 数据

让我们看看预测来自 M5 数据集的产品销售量的示例。M5 数据集包含美国 10 家零售店的每日产品需求量（销售量）。

首先，我们使用 datasetsforecast 加载数据。这返回

Y_df，包含每个唯一产品（unique_id 列）在每个时间戳（ds 列）的销售量（y 列）。
X_df，包含每个唯一产品（unique_id 列）在每个时间戳（ds 列）的附加相关信息。

提示

您可以在此处找到有关在 TimeGPT 预测中包含外部变量的教程。

Y_df, X_df, S_df = M5.load(directory=os.getcwd())

Y_df.head(10)

100%|██████████| 50.2M/50.2M [00:00<00:00, 58.1MiB/s]
INFO:datasetsforecast.utils:Successfully downloaded m5.zip, 50219189, bytes.
INFO:datasetsforecast.utils:Decompressing zip file...
INFO:datasetsforecast.utils:Successfully decompressed c:\Users\ospra\OneDrive\Nixtla\Repositories\nixtla\m5\datasets\m5.zip
c:\Users\ospra\miniconda3\envs\nixtla\lib\site-packages\datasetsforecast\m5.py:143: FutureWarning: The default of observed=False is deprecated and will be changed to True in a future version of pandas. Pass observed=False to retain current behavior or observed=True to adopt the future default and silence this warning.
  keep_mask = long.groupby('id')['y'].transform(first_nz_mask, engine='numba')

	unique_id	ds	y
0	FOODS_1_001_CA_1	2011-01-29	3.0
1	FOODS_1_001_CA_1	2011-01-30	0.0
2	FOODS_1_001_CA_1	2011-01-31	0.0
3	FOODS_1_001_CA_1	2011-02-01	1.0
4	FOODS_1_001_CA_1	2011-02-02	4.0
5	FOODS_1_001_CA_1	2011-02-03	2.0
6	FOODS_1_001_CA_1	2011-02-04	0.0
7	FOODS_1_001_CA_1	2011-02-05	2.0
8	FOODS_1_001_CA_1	2011-02-06	0.0
9	FOODS_1_001_CA_1	2011-02-07	0.0

在本示例中，我们将仅保留 sell_price 列中的附加相关信息。此列显示产品的销售价格，我们预计在不同销售价格下需求会波动。

X_df = X_df[['unique_id', 'ds', 'sell_price']]

X_df.head(10)

	unique_id	ds	sell_price
0	FOODS_1_001_CA_1	2011-01-29	2.0
1	FOODS_1_001_CA_1	2011-01-30	2.0
2	FOODS_1_001_CA_1	2011-01-31	2.0
3	FOODS_1_001_CA_1	2011-02-01	2.0
4	FOODS_1_001_CA_1	2011-02-02	2.0
5	FOODS_1_001_CA_1	2011-02-03	2.0
6	FOODS_1_001_CA_1	2011-02-04	2.0
7	FOODS_1_001_CA_1	2011-02-05	2.0
8	FOODS_1_001_CA_1	2011-02-06	2.0
9	FOODS_1_001_CA_1	2011-02-07	2.0

3. 使用价格作为外部变量预测需求

我们将仅预测一个产品在数据集中所有 10 家零售店的需求。我们选择一个价格变化很多、由 FOODS_1_129_ 标识的食品产品。

products = [
            'FOODS_1_129_CA_1', 
            'FOODS_1_129_CA_2', 
            'FOODS_1_129_CA_3', 
            'FOODS_1_129_CA_4', 
            'FOODS_1_129_TX_1', 
            'FOODS_1_129_TX_2', 
            'FOODS_1_129_TX_3',
            'FOODS_1_129_WI_1',
            'FOODS_1_129_WI_2',
            'FOODS_1_129_WI_3'
            ]
Y_df_product = Y_df.query('unique_id in @products')
X_df_product = X_df.query('unique_id in @products')

我们合并两个数据框以创建将在 TimeGPT 中使用的数据集。

df = Y_df_product.merge(X_df_product)

df.head(10)

	unique_id	ds	y	sell_price
0	FOODS_1_129_CA_1	2011-02-01	1.0	6.22
1	FOODS_1_129_CA_1	2011-02-02	0.0	6.22
2	FOODS_1_129_CA_1	2011-02-03	0.0	6.22
3	FOODS_1_129_CA_1	2011-02-04	0.0	6.22
4	FOODS_1_129_CA_1	2011-02-05	1.0	6.22
5	FOODS_1_129_CA_1	2011-02-06	0.0	6.22
6	FOODS_1_129_CA_1	2011-02-07	0.0	6.22
7	FOODS_1_129_CA_1	2011-02-08	0.0	6.22
8	FOODS_1_129_CA_1	2011-02-09	0.0	6.22
9	FOODS_1_129_CA_1	2011-02-10	3.0	6.22

让我们研究一下这些产品在数据最后一年中的需求（我们的目标 y）如何演变。我们看到，在加利福尼亚州的商店（带有 CA_ 后缀）中，该产品销售是间歇性的，而在其他地区（TX 和 WY）销售则不那么间歇。请注意，该图仅显示了 8 家商店（共 10 家）。

nixtla_client.plot(df, 
                   unique_ids=products,
                   max_insample_length=365)

接下来，我们查看这些产品在整个可用数据中的 sell_price。我们发现在 2011 年至 2016 年期间价格变化相对较少——总共约 20 次。请注意，该图仅显示了 8 家商店（共 10 家）。

nixtla_client.plot(df, 
                   unique_ids=products,
                   target_col='sell_price')

接下来转向我们的预测任务。我们将预测数据集的最后 28 天。

要在 TimeGPT 中使用 sell_price 外部变量，我们必须将其添加为未来值。因此，我们创建一个包含 unique_id、时间戳 ds 和 sell_price 的未来值数据框。

future_ex_vars_df = df.drop(columns = ['y'])
future_ex_vars_df = future_ex_vars_df.query("ds >= '2016-05-23'")

future_ex_vars_df.head(10)

	unique_id	ds	sell_price
1938	FOODS_1_129_CA_1	2016-05-23	5.74
1939	FOODS_1_129_CA_1	2016-05-24	5.74
1940	FOODS_1_129_CA_1	2016-05-25	5.74
1941	FOODS_1_129_CA_1	2016-05-26	5.74
1942	FOODS_1_129_CA_1	2016-05-27	5.74
1943	FOODS_1_129_CA_1	2016-05-28	5.74
1944	FOODS_1_129_CA_1	2016-05-29	5.74
1945	FOODS_1_129_CA_1	2016-05-30	5.74
1946	FOODS_1_129_CA_1	2016-05-31	5.74
1947	FOODS_1_129_CA_1	2016-06-01	5.74

接下来，我们将输入数据框限制为除预测期最后 28 天之外的所有数据

df_train = df.query("ds < '2016-05-23'")

df_train.tail(10)

	unique_id	ds	y	sell_price
19640	FOODS_1_129_WI_3	2016-05-13	3.0	7.23
19641	FOODS_1_129_WI_3	2016-05-14	1.0	7.23
19642	FOODS_1_129_WI_3	2016-05-15	2.0	7.23
19643	FOODS_1_129_WI_3	2016-05-16	3.0	7.23
19644	FOODS_1_129_WI_3	2016-05-17	1.0	7.23
19645	FOODS_1_129_WI_3	2016-05-18	2.0	7.23
19646	FOODS_1_129_WI_3	2016-05-19	3.0	7.23
19647	FOODS_1_129_WI_3	2016-05-20	1.0	7.23
19648	FOODS_1_129_WI_3	2016-05-21	0.0	7.23
19649	FOODS_1_129_WI_3	2016-05-22	0.0	7.23

让我们调用 TimeGPT 的 forecast 方法

timegpt_fcst_df = nixtla_client.forecast(df=df_train, X_df=future_ex_vars_df, h=28)
timegpt_fcst_df.head()

INFO:nixtla.nixtla_client:Validating inputs...
INFO:nixtla.nixtla_client:Preprocessing dataframes...
INFO:nixtla.nixtla_client:Inferred freq: D
WARNING:nixtla.nixtla_client:The specified horizon "h" exceeds the model horizon. This may lead to less accurate forecasts. Please consider using a smaller horizon.
INFO:nixtla.nixtla_client:Using the following exogenous variables: sell_price
INFO:nixtla.nixtla_client:Calling Forecast Endpoint...

	unique_id	ds	TimeGPT
0	FOODS_1_129_CA_1	2016-05-23	0.875594
1	FOODS_1_129_CA_1	2016-05-24	0.777731
2	FOODS_1_129_CA_1	2016-05-25	0.786871
3	FOODS_1_129_CA_1	2016-05-26	0.828223
4	FOODS_1_129_CA_1	2016-05-27	0.791228

📘 Azure AI 中可用的模型

如果您使用 Azure AI 端点，请务必设置 model="azureai"

nixtla_client.forecast(..., model="azureai")

对于公共 API，我们支持两种模型：timegpt-1 和 timegpt-1-long-horizon。

默认情况下，使用 timegpt-1。请参阅此教程，了解如何以及何时使用 timegpt-1-long-horizon。

我们绘制预测值、实际值以及预测期前的最后 28 天数据

nixtla_client.plot(
    df[['unique_id', 'ds', 'y']], 
    timegpt_fcst_df, 
    max_insample_length=56, 
)

4. 如果？在预测需求时改变价格

当我们在预测期改变产品的价格时会发生什么？让我们看看当我们增加或减少 sell_price 5% 时，我们的预测如何变化。

price_change = 0.05

# Plus 
future_ex_vars_df_plus= future_ex_vars_df.copy()
future_ex_vars_df_plus["sell_price"] = future_ex_vars_df_plus["sell_price"] * (1 + price_change)
# Minus
future_ex_vars_df_minus = future_ex_vars_df.copy()
future_ex_vars_df_minus["sell_price"] = future_ex_vars_df_minus["sell_price"] * (1 - price_change)

让我们使用 TimeGPT 创建一组新的预测。

timegpt_fcst_df_plus = nixtla_client.forecast(df=df_train, X_df=future_ex_vars_df_plus, h=28)
timegpt_fcst_df_minus = nixtla_client.forecast(df=df_train, X_df=future_ex_vars_df_minus, h=28)

INFO:nixtla.nixtla_client:Validating inputs...
INFO:nixtla.nixtla_client:Preprocessing dataframes...
INFO:nixtla.nixtla_client:Inferred freq: D
WARNING:nixtla.nixtla_client:The specified horizon "h" exceeds the model horizon. This may lead to less accurate forecasts. Please consider using a smaller horizon.
INFO:nixtla.nixtla_client:Using the following exogenous variables: sell_price
INFO:nixtla.nixtla_client:Calling Forecast Endpoint...
INFO:nixtla.nixtla_client:Validating inputs...
INFO:nixtla.nixtla_client:Preprocessing dataframes...
INFO:nixtla.nixtla_client:Inferred freq: D
WARNING:nixtla.nixtla_client:The specified horizon "h" exceeds the model horizon. This may lead to less accurate forecasts. Please consider using a smaller horizon.
INFO:nixtla.nixtla_client:Using the following exogenous variables: sell_price
INFO:nixtla.nixtla_client:Calling Forecast Endpoint...

📘 Azure AI 中可用的模型

如果您使用 Azure AI 端点，请务必设置 model="azureai"

nixtla_client.forecast(..., model="azureai")

对于公共 API，我们支持两种模型：timegpt-1 和 timegpt-1-long-horizon。

默认情况下，使用 timegpt-1。请参阅此教程，了解如何以及何时使用 timegpt-1-long-horizon。

让我们结合我们的三个预测。我们看到，正如我们所预期的，如果降低（增加）价格，需求预计会略有增加（减少）。换句话说，更便宜的产品会带来更高的销售量，反之亦然。

注意

价格弹性是衡量（产品）需求对价格变化的敏感程度的指标。在此阅读更多信息。

timegpt_fcst_df_plus = timegpt_fcst_df_plus.rename(columns={'TimeGPT':f'TimeGPT-sell_price_plus_{price_change * 100:.0f}%'})
timegpt_fcst_df_minus = timegpt_fcst_df_minus.rename(columns={'TimeGPT':f'TimeGPT-sell_price_minus_{price_change * 100:.0f}%'})

timegpt_fcst_df = pd.concat([timegpt_fcst_df, 
                             timegpt_fcst_df_plus[f'TimeGPT-sell_price_plus_{price_change * 100:.0f}%'], 
                             timegpt_fcst_df_minus[f'TimeGPT-sell_price_minus_{price_change * 100:.0f}%']], axis=1)

timegpt_fcst_df.head(10)

	unique_id	ds	TimeGPT	TimeGPT-sell_price_plus_5%	TimeGPT-sell_price_minus_5%
0	FOODS_1_129_CA_1	2016-05-23	0.875594	0.847006	1.370029
1	FOODS_1_129_CA_1	2016-05-24	0.777731	0.749142	1.272166
2	FOODS_1_129_CA_1	2016-05-25	0.786871	0.758283	1.281306
3	FOODS_1_129_CA_1	2016-05-26	0.828223	0.799635	1.322658
4	FOODS_1_129_CA_1	2016-05-27	0.791228	0.762640	1.285663
5	FOODS_1_129_CA_1	2016-05-28	0.819133	0.790545	1.313568
6	FOODS_1_129_CA_1	2016-05-29	0.839992	0.811404	1.334427
7	FOODS_1_129_CA_1	2016-05-30	0.843070	0.814481	1.337505
8	FOODS_1_129_CA_1	2016-05-31	0.833089	0.804500	1.327524
9	FOODS_1_129_CA_1	2016-06-01	0.855032	0.826443	1.349467

最后，让我们绘制不同定价方案下的预测，展示 TimeGPT 在一组产品价格变化时如何预测不同的需求。在图表中，我们可以看到，对于特定产品在某些时期，折扣增加了预期需求，而在其他时期和对于其他产品，价格变化对总需求的影响较小。

nixtla_client.plot(
    df[['unique_id', 'ds', 'y']], 
    timegpt_fcst_df, 
    max_insample_length=56, 
)

在本示例中，我们向您展示了：* 如何使用 TimeGPT 将价格作为外部变量预测产品需求 * 如何评估影响产品需求的不同定价方案

重要提示

此方法假设历史需求和价格行为对未来需求具有预测作用，并忽略了影响需求的其他因素。要包含这些其他因素，请使用额外的外部变量，为模型提供更多关于影响需求的因素的背景信息。

此方法对影响需求的未建模事件（例如突发市场变化）很敏感。要包含这些事件，如果过去也观察到此类突发变化，请使用指示此类变化的额外外部变量。

入门

功能

部署

教程

用例

API 参考

1. 导入包

2. 加载 M5 数据

3. 使用价格作为外部变量预测需求

4. 如果？在预测需求时改变价格

入门

功能

部署

教程

用例

API 参考

​1. 导入包

​2. 加载 M5 数据

​3. 使用价格作为外部变量预测需求

​4. 如果？在预测需求时改变价格

1. 导入包

2. 加载 M5 数据

3. 使用价格作为外部变量预测需求

4. 如果？在预测需求时改变价格