销量预测是零售供应链优化的核心任务，近年来经历了从统计模型到深度学习、再到基础模型（Foundation Models）的快速演进。本文系统梳理2025---2026年销量预测领域的最新学术进展与算法创新，重点分析四个关键方向：（1）时序基础模型在零售场景中的实证突破与集成策略；（2）以Mamba为代表的高效状态空间模型及其在长周期预测中的应用；（3）面向长尾与稀疏数据的专用预测架构；（4）模型可解释性与在线学习的工程化进展。通过对各方向核心方法、实证结果与适用边界的分析，本文旨在为零售预测系统的技术选型与研究提供参考框架。关键词：销量预测、时序基础模型、Mamba、稀疏预测、可解释AI
一、引言：销量预测的技术范式正在被重新定义
准确的销量预测是零售企业优化库存、降低运营成本、提升客户满意度的关键能力。然而，真实零售场景中的销量数据面临多重挑战：需求波动剧烈、促销与节假日等外部因素交织、长尾商品数据稀疏、层级结构复杂。传统统计模型（如SARIMA、Holt-Winters）在稳定季节性场景中仍有竞争力，但在动态零售环境中的局限性日益明显。
近年来，深度学习模型（LSTM、Transformer、N-BEATS）显著提升了预测精度。而2024---2026年间，时序基础模型（Time Series Foundation Models, TSFMs）的崛起正在重塑这一领域的技术格局。与此同时，以Mamba为代表的高效状态空间模型、面向稀疏数据的专用架构（SPADE-S）、以及可解释AI框架也在快速演进。本文系统梳理这些前沿方向，为研究者与从业者提供技术全景图。
二、时序基础模型：从概念验证到全面超越
2.1 实证突破：基础模型系统性超越经典方法
时序基础模型在零售销量预测中的有效性，已在多项独立研究中得到验证。Nascimento（2025）在三个零售品类（摄像机、平板电脑、玩具）上，系统对比了SARIMA、Holt-Winters、Prophet与TimeGPT-1、Moirai两个基础模型的预测性能。研究发现：基础模型在绝对精度上全面超越经典方法，尤其在波动性需求环境下优势更为显著。TimeGPT-1在所有品类上都展现出稳定可靠的预测能力，Moirai在中等波动环境中表现突出。经典模型在稳定季节性场景中仍具竞争力，但Prophet添加外部回归变量后并未系统性提升性能。
Arab和Benitez（2025）在德国数千家餐厅组成的网络中，评估了统计模型、机器学习模型、深度学习模型和基础模型在14天滚动预测中的表现。结果显示，基础模型（如Chronos和TimesFM）在零样本推理设置下即可取得具有竞争力的性能，几乎不需要特征工程。
这一结论的重要意义在于：基础模型已不再是学术概念，而是可以开箱即用的实用工具。
2.2 基础模型的局限性与双策略集成
尽管基础模型表现优异，但它们并非万能。Yang等人（2025）指出，现有时序基础模型存在架构僵化和分布变化下鲁棒性不足的问题。具体表现为：在供应链层级结构中，单一基础模型难以同时适配不同粒度的预测需求；当市场环境发生漂移时，模型性能可能显著衰减。
为解决这一问题，Yang等人提出了双策略集成框架（Dual-Strategy Ensembling）：
· 层级集成（Hierarchical Ensemble, HE） ：按门店、品类、部门等语义层级分别进行训练与推理，捕捉局部模式。
· 架构集成（Architectural Ensemble, AE） ：融合多种模型架构的预测结果，减少偏差、提升稳定性。
在M5基准与三个外部销售数据集上的实验表明，该框架一致性地超越了强基线，为提升基础模型在复杂预测环境中的泛化能力提供了简单而有效的机制。
2.3 Moirai 2.0与轻量化基础模型
2026年，Salesforce推出了Moirai 2.0，采用decoder-only架构，在包含3600万条序列的新语料库上完成预训练。该模型采用分位数预测与多token预测策略，在概率精度与推理效率上均有显著提升。
与此同时，轻量化基础模型也成为重要方向。CITRAS-FM等轻量级模型原生支持协变量（covariates）的零样本预测，降低了基础模型的应用门槛。AME-TS则通过锚定专家混合（Anchored Mixture-of-Experts）实现结构引导的稀疏时序预测，可根据序列的可预测性、季节性、趋势和稀疏性等特征进行专家路由。
三、Mamba与新架构：线性复杂度的长程依赖建模
3.1 Mamba的原理优势
标准Transformer的注意力机制复杂度为O(n²)，处理长序列时计算成本高昂。Mamba通过选择性状态空间模型（Selective State Space Model），实现了线性时间复杂度下的长程依赖建模。Mamba的输入依赖门控机制和硬件感知设计，使其在处理超长序列时兼具效率与表达能力。
3.2 MambaDiffTS：融合频率感知扩散
Wang等人（2025）提出了MambaDiffTS框架，将Mamba的状态空间模型与频率感知的扩散过程相结合：
· Mamba处理长程依赖
· 频率感知谱分解通过傅里叶正则化分离趋势和季节性
· 谱能量引导的噪声调度保持时间保真度
在股票预测任务上，MambaDiffTS相比最优基线将MSE降低了约18.6%，同时保持了线性计算复杂度。该框架在金融波动、工业物联网传感器数据和气候建模等多个基准上都展现了优越性。
3.3 2026年Mamba架构的持续演进
2026年涌现了多个Mamba的增强版本：
· AdaMamba：提出自适应频率门控状态空间模块，生成输入依赖的频率基，将传统时间遗忘门泛化为统一的时间-频率遗忘门。
· ms-Mamba：多尺度Mamba架构，对比标准Mamba的单尺度处理方式。
· Crossmamba：面向多变量时间序列预测，同时建模跨时间与跨维度的依赖关系。
· CNN-Mamba融合：Tao等人（2026）将CNN与Mamba结合用于时间序列预测，探索卷积局部特征提取与状态空间全局建模的协同效应。
一项针对Mamba在时间序列预测中有效性的系统性研究也于2025年发表，为该架构的实际应用效果提供了独立评估。
四、面向长尾与稀疏数据的专用架构
4.1 被长期忽视的行业顽疾
在零售数据中，长尾分布是常态：头部20%的商品贡献了80%的销量，尾部80%的商品构成了预测的"盲区"。Wolff等人（2025）的研究发现，现有模型在低量级和稀疏时间序列上系统性表现不佳。这一系统性偏差源于三个因素：
- 损失函数的隐式偏倚：倾向于优化高销量序列
- 训练时的采样方法：高销量样本被过度呈现
- 时间序列编码方式的局限：无法有效处理稀疏模式
4.2 SPADE-S：稀疏鲁棒预测架构
SPADE-S（Sparsity-Robust Foundational Forecaster）通过重新设计上述三个环节，显著减少了基于量级和稀疏性的系统性偏差。实证结果表明，SPADE-S在需求预测的多样化用例中优于现有最先进方法。具体而言，根据分位数预测和序列幅度的不同，SPADE-S可将预测精度提升高达15%。
在来自某大型在线零售商的三个独立数据集（包含300万至7亿条序列）上：
· P90整体预测精度提升：2.21%、6.58%、4.28%
· P50整体预测精度提升：0.92%、0.77%、1.95%
关键洞察：P90（高分位数）的提升远大于P50------SPADE-S在极端情况（高波动、高不确定性）下的优势更为明显，而这恰恰是库存决策最需要关注的场景。
4.3 间歇性需求预测的新方法
2026年，Hurdle模型------采用MoE（Mixture of Experts）编码器与自回归Hurdle解码器------专门处理长序列零值中偶发正值的间歇性需求模式。这一方法将"是否发生需求"与"需求量为多少"两个问题解耦，为零售与供应链中间歇性需求的预测提供了新思路。
五、模型可解释性与工程化进展
5.1 可解释销量预测的迫切需求
梯度提升模型虽然能有效预测零售需求，但库存规划人员往往不信任无法解释的预测。2026年发表的一项研究提出了四层可解释AI框架，将LightGBM预测与分层可解释性相结合：
· 排列特征重要性（Permutation Importance）
· SHAP值分析
· 局部可解释性
· 全局可解释性
在M5 Walmart数据集上，该框架在保持预测精度的同时，显著提升了模型的可信度。
5.2 在线学习与概念漂移应对
零售环境中的消费者行为、促销策略和市场竞争持续变化，导致模型面临概念漂移问题。Proceed框架（2025）提出了一种主动式模型适应方法：持续将新观测到的时间序列转化为训练样本，通过最小化新训练样本上的预测误差来调整模型参数。
ODGNet（2026）则设计了图漂移感知机制，能够快速检测变量间关联结构的变化，在多个在线学习基准上实现了显著的预测误差降低。
另一项研究将概念漂移重新定义为两类：周期性漂移（Recurring Drift）和突发性漂移（Emergent Drift），并实证分析了仅关注近期数据的方法在处理周期性漂移时的局限性。
六、总结与展望
6.1 技术演进的核心趋势
综合2025---2026年的学术进展，销量预测技术呈现出清晰的演进脉络：
技术方向 核心突破 代表工作 成熟度
时序基础模型 零样本预测全面超越经典方法 TimeGPT-1、Moirai、Moirai 2.0 ⭐⭐⭐⭐⭐
双策略集成 解决基础模型架构僵化 Yang et al. (2025) ⭐⭐⭐⭐
Mamba架构 线性复杂度长程建模 MambaDiffTS、AdaMamba ⭐⭐⭐
稀疏鲁棒预测 长尾商品精度提升15% SPADE-S (2025) ⭐⭐⭐⭐
可解释AI 分层可解释框架 LightGBM-SHAP (2026) ⭐⭐⭐⭐
在线学习 概念漂移主动适应 Proceed、ODGNet ⭐⭐⭐
6.2 开放问题与未来方向
- 基础模型的领域适配：如何高效地将通用基础模型适配到特定零售场景，仍是有待探索的问题。
- 稀疏与长尾的统一框架：SPADE-S等方法的思路值得进一步拓展，形成覆盖头部与长尾的统一预测架构。
- 可解释性与预测精度的平衡：如何在保持模型精度的同时提升可解释性，是XAI在销量预测中落地的关键。
- 计算效率与精度的权衡：Mamba等新架构提供了新思路，但如何在实际部署中取得最优平衡仍需探索。
- 多模态信息的融合：文本、图像、视频等多模态信息在销量预测中的价值正在被验证，如何高效融合是重要方向。
6.3 实践建议
对从业者而言，不必追求最前沿的技术，而应追求最适合自身业务场景的技术。基础模型的零样本能力降低了入门门槛；稀疏鲁棒架构解决了长尾痛点；可解释AI框架提升了模型的业务可信度------这些方向各有侧重，共同构成了下一代销量预测系统的技术基石。
参考文献
1 Yang, W., Cao, D., & Liu, Y. Foundation Models for Demand Forecasting via Dual-Strategy Ensembling. In Proceedings of the 1st Workshop on AI for Supply Chain @ KDD 2025, 2025.
2 Nascimento, M. M. M. B. do. Comparative Analysis of Classical Models and Foundation Models for Retail Sales Forecasting. Master's thesis, Universidade Nova de Lisboa, 2025.
3 Arab, I., & Benitez, R. Benchmarking Time Series Forecasting Models: From Statistical Techniques to Foundation Models in Real-World Applications. arXiv:2502.03395, 2025.
4 Wang, W., Li, Q., Jiang, Z., et al. An efficient framework for general long-horizon time series forecasting with Mamba and Diffusion Probabilistic Models. Engineering Applications of Artificial Intelligence, 162, 2025.
5 Wolff, M., et al. SPADE-S: A Sparsity-Robust Foundational Forecaster. arXiv:2507.21155, 2025.
6 Hobor, L., Brčić, M., Polutnik, L., & Kapetanović, A. Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting. arXiv:2506.05941, 2026.
7 Explainable Retail Demand Forecasting: A Hybrid LightGBM-SHAP Framework for Inventory Optimization. IEEE Xplore, 2026.
8 Proactive Model Adaptation Against Concept Drift for Online Time Series Forecasting. arXiv, 2025.
9 Moirai 2.0: When Less Is More for Time Series Forecasting. arXiv, 2026.
10 Qiu, X., et al. A Comprehensive Survey of Deep Learning for Multivariate Time Series Forecasting: A Channel Strategy Perspective. arXiv:2502.10721, 2026.