3、预测模型基础：预测的基本概念、时间序列与因果模型的区别、模型选型的核心原则
国际航运需求预测并非简单的“拍脑袋”或“看趋势”，而是一项需要严谨方法论支撑的决策前置工作。无论是集装箱班轮公司规划运力、货代企业调度舱位，还是港口集团评估吞吐能力，都依赖于对未来需求的量化判断。本章作为模型选型的基石，将系统梳理预测的基本概念、两大主流建模范式（时间序列与因果模型）的本质区别，以及贯穿选型全过程的黄金原则。理解这些基础，是避免“用错模型、得出漂亮但错误结论”的第一步。
3.1 预测的基本概念：从数据到决策的桥梁
预测（Forecasting）在航运语境下，是指基于历史数据、当前状态和外部环境信息，对未来的货运需求（如TEU吞吐量、运价指数、船舶舱位利用率）进行定量或定性的估计。其本质是利用已知推断未知，但必须清醒认识到：预测不是“算命”，而是带有概率属性的条件期望。
3.1.1 核心原理：需求分解与不确定性
任何航运需求时间序列都可以分解为四个成分：趋势（Trend）、季节性（Seasonality）、周期性（Cyclicality）和随机波动（Noise）。趋势反映长期增长或衰退（如亚洲-北美航线十年年均增长3%-5%）；季节性体现年内规律（如圣诞备货季8-10月为旺季）；周期性则与宏观经济或航运业自身的供需周期相关（如2021-2022年的超级周期）；随机波动则是无法解释的残差项。
预测的核心挑战在于：随机波动永远存在，且航运业受突发事件（疫情、地缘冲突、港口拥堵）影响极大。因此，预测结果必须附带置信区间或预测误差范围，而非给出单一“精确值”。
3.1.2 判断方法：预测的层级与时间跨度
在选型之前，必须先明确预测的层级与跨度，因为不同层级适用的模型完全不同：
| 预测层级 | 典型对象 | 常用时间跨度 | 适用模型倾向 |
|---|---|---|---|
| 宏观层 | 全球/区域海运贸易量 | 1-5年 | 计量经济模型、投入产出模型 |
| 中观层 | 航线货量、港口吞吐量 | 3个月-2年 | SARIMA、因果回归、组合模型 |
| 微观层 | 单船配载、周度舱位预订 | 1-8周 | 指数平滑、移动平均、机器学习（LSTM） |
3.2 时间序列与因果模型的本质区别
两大建模范式的根本差异在于是否利用外部解释变量。时间序列模型只从目标变量自身的历史值中提取规律；因果模型则试图建立目标变量与外部驱动因素之间的函数关系。
3.2.1 时间序列模型：让数据自己说话
典型方法包括：移动平均（MA）、指数平滑（Holt-Winters）、ARIMA/SARIMA。其优势在于实现简单、计算成本低、在数据稳定时精度较高。例如，预测某港口下月集装箱吞吐量，若历史数据呈现明显的季节性（如每年春节前出货高峰），SARIMA模型可以自动捕捉该规律。
但时间序列模型的致命弱点是无法解释“为什么变化”。当外部环境发生结构性突变（如某国突然加征关税导致货量骤降），模型仍会按照历史趋势外推，产生严重偏差。
3.2.2 因果模型：引入外部驱动力
因果模型（如多元线性回归、向量自回归VAR、动态面板模型）将需求表达为解释变量的函数：
Demand_t = β₀ + β₁·GDP_t + β₂·ExchangeRate_t + β₃·FreightRate_t + ε_t其中GDP代表贸易需求，汇率影响进出口竞争力，运价反映供给与需求的平衡。因果模型的优势在于可解释性强，能够量化每个因素的边际影响，适合中期预测和情景分析（如“若油价上涨20%，需求将变化多少？”）。
3.2.3 对比与选择：没有万能模型
| 对比维度 | 时间序列模型 | 因果模型 |
|---|---|---|
| 数据需求 | 仅需目标变量历史数据 | 需要目标变量+多个解释变量 |
| 预测跨度 | 短期（≤3个月）表现佳 | 中期（3个月-2年）更可靠 |
| 结构突变应对 | 差，无法感知外部冲击 | 较好，可纳入政策/经济变量 |
| 计算复杂度 | 低-中 | 中-高 |
| 业务解释性 | 弱（黑箱外推） | 强（可解释驱动因素） |
3.3 模型选型的核心原则：四维决策框架
面对众多模型，选型应遵循以下四个核心原则，它们构成一个递进的决策路径：
3.3.1 原则一：目的匹配原则（Purpose Alignment）
先问“预测用来做什么”。如果是运营层面（如未来4周的舱位分配），追求短期精度，优先选择时间序列模型；如果是战略层面（如未来3年是否新建码头），需要评估不同经济情景下的需求弹性，必须使用因果模型进行情景模拟。
3.3.2 原则二：数据可得性与质量原则（Data Availability）
检查数据的时间跨度、频率、完整性和一致性。若解释变量（如目的国GDP季度数据）只有20个样本点，而你需要月度预测，则因果模型的自由度不足，应退而求其次使用时间序列模型。反之，若你拥有10年以上的月度宏观与贸易数据，因果模型能提供更深刻的洞察。
3.3.3 原则三：精度与复杂度平衡原则（Accuracy vs. Complexity）
遵循奥卡姆剃刀原则：在预测精度相近的情况下，选择更简单的模型。复杂的机器学习模型（如LSTM）虽然能拟合非线性关系，但需要大量数据、调参成本高，且容易过拟合。建议采用基准模型对比法：先建立简单基线（如Holt-Winters），再尝试复杂模型，只有当复杂模型的误差显著降低（如MAPE降低超过15%）时才升级。
3.3.4 原则四：可解释性与可迭代原则（Interpretability & Iteration）
航运业务决策者需要理解预测结果背后的逻辑，才能建立信任。一个黑箱模型即使精度高，也难以在业务会议上被采纳。同时，模型必须支持滚动更新——随着新数据（如每周实际货量）的加入，预测能自动修正。
3.4 案例拆解：某班轮公司亚洲-欧洲航线需求预测选型
背景与约束：某国际班轮公司需要为其亚洲-欧洲航线（周班服务）制定未来6个月的运力投放计划。公司拥有2015-2023年的周度货量数据（TEU），同时可获取欧元区制造业PMI、亚洲出口金额、上海出口集装箱运价指数（SCFI）等月度宏观指标。业务团队要求预测结果可解释，以便向管理层汇报。
初始现象与目标：2023年Q4货量出现异常下滑，但历史同期均为旺季。初步判断与欧洲经济疲软有关。目标：预测2024年1-6月周度货量，误差控制在±8%以内。
关键输入数据：
- 目标变量：2015-2023年周度货量（共468个数据点），存在明显季节性（每年8-10月高峰）和趋势（年均增长2%）。
- 外部变量：欧元区制造业PMI（月度）、亚洲-欧洲航线运价（周度）、欧洲港口拥堵指数（周度）。
分析判断过程：
- 初步诊断：对货量序列做ADF检验，发现非平稳；一阶差分后平稳，且ACF/PACF显示存在周季节性（周期=52周）。
- 候选模型A（时间序列）：SARIMA(1,1,1)(1,1,1)₅₂，仅使用货量历史数据。
- 候选模型B（因果模型）：动态回归模型，以货量为因变量，PMI（滞后1个月）、运价（滞后2周）、拥堵指数为自变量，同时加入ARIMA误差项。
- 验证方法：使用2023年1-9月数据训练，预测10-12月，对比实际值。结果：模型A的MAPE为9.2%，模型B的MAPE为7.8%，且模型B正确捕捉了10月货量下滑（因PMI连续3个月低于荣枯线）。
实际操作步骤：最终选择模型B作为主模型，但保留模型A作为基准对照。在月度更新时，若PMI数据未及时发布，则暂时用模型A外推一周，待PMI更新后再修正。
结果对比与复盘：2024年Q1实际货量公布后，模型B的平均百分比误差为6.5%，优于预设的8%目标。复盘发现，模型B的成功关键在于引入了PMI这一先行指标，而单纯的时间序列模型无法感知宏观经济的快速恶化。
3.5 常见误区与总结复盘
误区一：盲目追求高精度指标。R²高不代表预测准，尤其在时间序列中，非平稳数据可能产生虚假的高R²。应重点关注样本外预测误差（如MAPE、RMSE）。
误区二：忽略数据频率不匹配。将月度GDP数据直接与周度货量回归，会导致“信息重复使用”和自由度虚增。应通过插值或降频处理保持数据频率一致。
误区三：一次性建模，不做滚动更新。航运市场变化快，模型参数应每季度重新估计。建议建立滚动窗口验证机制：每次新增4周数据，剔除最旧的4周数据，重新训练模型。
误区四：忽视业务可解释性。一个“黑箱”模型即使精度高，也难以获得业务部门信任。选型时应考虑模型输出的可视化能力（如因素分解图、情景模拟器）。