3、餐饮需求预测的核心概念：时间序列、季节性、趋势、周期性、节假日效应、天气影响等关键术语

餐饮需求预测的本质，是从历史销售数据中识别出可复现的规律，并将其外推至未来。然而，餐饮需求并非随机波动，而是由多种确定性成分与随机噪声叠加而成。本章将系统拆解时间序列、季节性、趋势、周期性、节假日效应与天气影响六大核心概念，帮助你在搭建预测模型时，能够准确识别数据中的“信号”与“噪音”，从而选择合适的分解方法与算法特征。

3.1 时间序列：预测的基本数据结构

核心原理：时间序列是指按时间顺序排列的一组观测值，在餐饮场景中通常表现为每日、每周或每小时的销售额、订单量、客流量等。时间序列分析的核心假设是：历史模式会在未来以某种形式延续。因此，预测模型本质上是在学习时间序列的自相关结构——即今天的销量与昨天、上周同一天、去年同月销量之间的依赖关系。

判断方法与操作流程：在搭建模型前，必须完成以下三步预处理：

1. 时间粒度确定：根据业务决策频率选择小时、日、周粒度。例如，排班需要小时级预测，采购计划需要日级预测，营销活动评估需要周级预测。
2. 缺失值处理：餐饮数据常因POS故障、停电等原因产生缺失。建议使用前向填充+同周期均值修正，而非简单删除。
3. 异常值识别：使用IQR（四分位距）或Z-Score方法标记异常点，但需人工确认是否为真实事件（如大型团餐）而非数据错误。

3.2 季节性：最稳定的预测锚点

核心原理：季节性是指以固定周期重复出现的波动模式。餐饮行业存在三种典型的季节性周期：日内季节性（午餐高峰11:30-13:30，晚餐高峰18:00-20:00）、周季节性（工作日与周末的客群结构差异）、年度季节性（火锅店冬季旺季、冰淇淋店夏季旺季）。季节性成分通常用STL分解或傅里叶变换提取，其特点是周期长度固定且可预测。

判断方法：绘制时间序列的自相关函数（ACF）图，若在滞后7、14、21天处出现显著峰值，则存在周季节性；若在滞后12、24个月处出现峰值，则存在年度季节性。对于日粒度数据，建议同时检验7天和365天两个周期。

案例拆解：某连锁快餐品牌在搭建日销量预测模型时，发现周末销量比工作日高40%，但周五晚上的销量异常低。进一步分析发现，该门店位于写字楼商圈，周五下班后白领大多选择外出聚餐。若仅用“周末系数”统一处理，会高估周五销量。解决方案是引入“星期几×时段”的交叉季节性特征，将周五晚市单独建模。

3.3 趋势与周期性：区分长期方向与中期波动

核心原理：趋势（Trend）反映时间序列在较长时期内的持续上升或下降方向，通常由门店扩张、品牌知名度提升、周边商圈发展等因素驱动。周期性（Cyclicality）则指非固定周期的波动，在餐饮行业多表现为经济景气周期（3-5年）、商圈兴衰周期（2-3年）或消费习惯代际变迁（5-10年）。与季节性不同，周期性没有固定频率，且周期长度不稳定。

判断方法：使用HP滤波或Beveridge-Nelson分解将趋势与周期分离。实际操作中，若数据跨度不足2年，周期性往往难以识别，此时应将其归入趋势或噪声处理，避免过度拟合。

3.4 节假日效应：脉冲式需求冲击

核心原理：节假日效应是指特定日期（如春节、国庆、情人节、母亲节）对餐饮需求产生的短期、大幅度的脉冲式影响。其特点是：影响幅度大（通常±30%~200%）、持续时间短（1-3天）、且存在前置效应（节前团餐预订）和后置效应（节后消费回落）。节假日效应无法用季节性捕捉，因为其日期在公历中不固定（如春节、中秋），且不同节日的消费场景差异巨大。

操作流程：

1. 节假日清单建立：整理未来3年的法定节假日、传统节日、西方节日、本地特色活动（如马拉松、音乐节）。
2. 效应量化：计算每个节假日的历史平均销量与基线销量的比值，得到节假日系数。例如，情人节当天销量是平日均值的1.8倍。
3. 前置/后置窗口：定义节假日影响窗口，如春节前7天至元宵节后3天，窗口内每天使用不同的系数。
4. 特殊处理：对于春节这种“全民迁徙”型节日，需区分返乡与旅游城市的不同效应。

3.5 天气影响：外部协变量的量化方法

核心原理：天气通过影响消费者出行意愿、用餐方式（堂食vs外卖）和菜品选择（热饮vs冷饮）来改变需求。关键天气变量包括：温度、降水概率、降水量、风力、湿度、空气质量（AQI）。天气影响通常是非线性的——例如，温度从20°C降至10°C时，火锅店销量可能上升15%；但从10°C降至0°C时，消费者可能减少外出，销量反而下降5%。

判断与建模方法：

• 相关性初筛：计算各天气变量与销量的Spearman相关系数，筛选|ρ|>0.3的变量。
• 非线性变换：使用分段线性函数或样条函数拟合温度-销量曲线，而非假设线性关系。
• 滞后效应：天气影响存在滞后性，例如连续暴雨后的第二天，外卖需求可能反弹。建议测试滞后0-3天的天气特征。
• 阈值效应：设置极端天气阈值（如暴雨橙色预警、台风），作为哑变量直接加入模型。

3.6 概念综合：从分解到建模的完整链路

核心原理：实际建模时，上述成分并非独立存在，而是相互叠加或相乘。经典的时间序列分解模型有两种：加法模型（Y = T + S + C + H + W + ε）适用于季节性幅度不随趋势变化的情况；乘法模型（Y = T × S × C × H × W × ε）适用于季节性幅度随趋势成比例变化的情况。餐饮行业通常更适用乘法模型，因为节假日的增量往往与门店规模成正比。

操作流程：

1. 数据准备：清洗异常值，填补缺失值，确定时间粒度。
2. 分解诊断：使用STL分解将序列拆分为趋势、季节、残差三部分，观察残差是否随机。
3. 特征工程：将节假日、天气、促销活动等外部变量转化为数值特征。
4. 模型选择：若仅需短期预测（1-7天），可使用Prophet或SARIMA；若需长期预测（>30天），建议使用机器学习模型（XGBoost、LightGBM）并加入日历特征。
5. 评估与迭代：使用滚动时间窗口验证，监控节假日和极端天气下的预测偏差。