3. sMAPE数学原理：对称平均百分比误差

sMAPE（Symmetric Mean Absolute Percentage Error）是MAPE的对称变体，专门用于解决MAPE在低值或零值场景下的不对称性与无穷大问题。本节从公式推导、对称性证明、取值范围及与MAPE的根本区别四个维度进行深度解析。

3.1 公式推导：从MAPE到sMAPE的演进

MAPE的原始定义为：

MAPE = (1/n) * Σ |A_t - F_t| / |A_t|

其中 A_t 为实际值，F_t 为预测值。当 A_t → 0 时，MAPE → ∞，且分母仅使用实际值，导致不对称性。

sMAPE的改进思路是将分母改为实际值与预测值的平均值，使误差项对称：

sMAPE = (1/n) * Σ (2 * |A_t - F_t|) / (|A_t| + |F_t|)

乘以2是为了将结果归一化到与MAPE相似的百分比尺度。当 A_t 与 F_t 均为正数时，可简化为：

sMAPE = (1/n) * Σ (2 * |A_t - F_t|) / (A_t + F_t)

3.2 对称性解释：为什么sMAPE是对称的？

对称性是指：当实际值与预测值互换时，误差指标保持不变。对于单个观测点，定义：

sMAPE_i = 2 * |A_i - F_i| / (|A_i| + |F_i|)

若交换 A_i 与 F_i：

sMAPE_i' = 2 * |F_i - A_i| / (|F_i| + |A_i|) = 2 * |A_i - F_i| / (|A_i| + |F_i|) = sMAPE_i

因此 sMAPE_i 在交换后完全不变，满足严格对称性。而MAPE在交换后变为：

MAPE_i' = |F_i - A_i| / |F_i| ≠ |A_i - F_i| / |A_i|

除非 A_i = F_i，否则不对称。

3.3 取值范围 [0, 200] 的数学证明

对于任意实数 A_t 与 F_t（不同时为0），sMAPE_i 的取值范围推导如下：

1. 下界：当 A_t = F_t 时，分子为0，sMAPE_i = 0。
2. 上界：当 A_t 与 F_t 符号相反时，|A_t| + |F_t| 最小，而 |A_t - F_t| 最大。极端情况：A_t = 1, F_t = -1，则：

   sMAPE_i = 2 * |1 - (-1)| / (|1| + |-1|) = 2 * 2 / 2 = 2 = 200%

3. 一般情况：对于任意 A_t, F_t，有 |A_t - F_t| ≤ |A_t| + |F_t|，因此：

   sMAPE_i = 2 * |A_t - F_t| / (|A_t| + |F_t|) ≤ 2

因此 sMAPE 的取值区间为 [0, 200]（百分比形式为 [0%, 200%]）。

3.4 sMAPE 与 MAPE 的根本区别

3.5 间歇需求场景下的关键差异

在间歇需求（如备件、慢速移动品）中，实际需求经常为零或极低值，此时：

• MAPE 失效： 当 A_t = 0 时，MAPE 分母为0，指标发散至无穷大，无法参与模型对比。
• sMAPE 可用： 当 A_t = 0, F_t ≠ 0 时，sMAPE = 2 * |F_t| / |F_t| = 200%，仍为有限值，可纳入整体评估。
• 对称性优势： 间歇需求中预测值常出现“过高估计”或“过低估计”，sMAPE 的对称性确保两种偏差被同等对待。