从Google TimesFM 2.5到Mamba时空预测框架，从Moirai MoE到EventCast的LLM事件推理------2026年的销量预测技术正在经历一场从"手工建模"到"自主预测"的范式转移。本文系统梳理本年度最具影响力的技术突破与实证发现。
一、2026年的核心命题：从"模型选择"到"范式选择"
2026年，销量预测领域正在经历一场深层变革。一个清晰的信号来自Hobor等人（2026）在真实零售数据上的大规模对比实验：他们系统比较了统计基线、树模型集成（XGBoost、LightGBM）和深度学习架构（N-BEATS、N-HiTS、Temporal Fusion Transformer），在间歇性需求、大量缺失值和频繁商品更替的真实场景中发现------局部的树模型方法取得了最优性能，XGBoost以4.833的RMSE在所有模型中表现最佳。
这提醒我们：在追求架构创新的同时，不能忘记问题本身的特性。
与此同时，另一条技术路线正在高速崛起。Della Mura（2026）在烘焙零售的真实场景中对比了时序基础模型（TinyTimeMixer、Moirai MoE）与经典方法，发现Moirai MoE取得了最低的聚合WAPE（0.24），略优于四周中位数启发式（0.25）和ETS（0.26）。更重要的是，基础模型在难以预测的产品上优势最为明显，且误差分布更窄，说明其预测一致性更强。
这两条研究路径并非对立，而是共同勾勒出2026年的技术全景：基础模型正在证明其价值，但经典方法在特定场景下依然不可替代。
二、基础模型：从"能用"到"全面成熟"
2.1 TimesFM 2.5：Google的零样本预测利器
2026年，Google Research的TimesFM已演进至2.5版本。作为一个decoder-only的预训练时序基础模型，TimesFM的核心价值在于零样本预测------无需针对特定数据集训练，即可对任意单变量时间序列进行预测。它已从学术概念进化为生产级工具，预测范围覆盖销量、价格、网站流量和能源需求。
2.2 Moirai MoE：Salesforce的开源突破
Salesforce的Moirai MoE在烘焙零售数据上展现出令人信服的表现：聚合WAPE仅0.24，且对难以预测的产品优势最为显著。微调TinyTimeMixer虽能大幅提升性能（中位WAPE降低0.10，95.4%的产品受益），但仍未缩小与最强经典方法的差距。这揭示了一个重要洞察：基础模型并非万能，领域适配与微调仍不可替代。
2.3 分层概率预测：e2eTD的效率革命
分层预测一直是零售业的硬骨头------既需要概率性（支持风险感知决策），又需要层级一致性（避免不同层级的决策冲突）。2026年，Zambon等人提出了e2eTD，一种端到端的概率分层预测方法。其核心创新是：直接预测仅占层级约0.3%的少量聚合序列------这些序列更平滑、更可预测。通过概率自上而下采样算法传播到底层，再求和获得所有层级的一致预测。在M5数据集上，e2eTD在892支队伍中可排名第11位，且在标准笔记本上仅需5分钟即可处理约4万条序列。计算效率与预测精度的统一，是这一工作的最大贡献。
三、Mamba架构：线性复杂度的时空预测新范式
3.1 Mamba的崛起背景
Transformer的O(n²)复杂度在长序列预测中始终是效率瓶颈。Mamba通过选择性状态空间模型实现了线性时间复杂度，使其在长序列建模中天然占优。
3.2 多尺度时空预测框架
Gao和Lu（2026）提出了一个基于Mamba状态空间骨干的多尺度时空预测框架，将动态图注意力与事件感知嵌入相结合。该模型整合了贸易流、OSM空间连接、Reuters/GDELT新闻和经济指标等多源异构数据。实验结果令人瞩目：各预测时域准确率持续超过90%，相比Transformer在MAE/RMSE上提升25%，同时FLOPs降低60%。
3.3 PaDuM：CNN与Mamba的双流融合
Tao等人（2026）提出了PaDuM（Patch-Based Dual-Stream Network），一个同时利用CNN和Mamba的双流架构。其设计思路是：先用指数移动平均（EMA）将输入序列自适应解耦为趋势和季节性分量；每个分量通过patch化后分别建模------CNN捕捉局部季节性变化，Mamba高效建模全局趋势。在8个真实数据集上，PaDuM达到了SOTA性能。
3.4 MODE：低秩神经常微分方程增强Mamba
MODE将低秩神经常微分方程（Neural ODE） 与增强的Mamba架构统一在一个框架中。Neural ODE擅长捕捉连续时间动态，Mamba擅长处理离散长序列------两者的结合为销量预测这类兼具连续性与离散性特征的任务提供了新的建模思路。
四、长尾预测：被忽视的价值洼地
长尾商品在零售中占比巨大但数据稀疏。2026年，Catts等人提出了DRUM（Decomposable Retail Unified Model），专门为长尾需求预测设计。传统方法在面对间歇性需求时往往失效，而DRUM通过分解式统一建模，为这一长期被忽视的领域提供了系统性解决方案。
商业启示：头部商品的预测优化空间已越来越小，真正的降本增效空间在长尾------而这恰恰是基础模型和传统方法都尚未充分覆盖的领域。
五、可解释性与LLM融合：让预测"说得清"
5.1 四层XAI框架：从全局到个体
2026年发表的一项研究提出了一个四层可解释AI框架，将LightGBM预测与分层可解释性相结合：
· Permutation Feature Importance：全局特征排名
· Partial Dependence Plots：边际效应分析
· SHAP：实例级归因
· Individual Conditional Expectation：异质性检测
ICE分析的关键贡献在于：当平均趋势掩盖了不同产品的差异化行为时，ICE曲线能够揭示这种异质性，从而证明统一的补货策略会系统性地错误配置库存。
在UCI Online Retail II数据集上，该框架的RMSE达到33.71，R²为0.243。
5.2 EventCast：LLM驱动的事件推理
EventCast提出了一个模块化预测框架，将未来事件知识融入时序预测。其核心创新在于：LLM仅用于事件驱动的推理，而非直接进行数值预测。非结构化业务数据（营销活动、假日安排、卖家激励）经LLM处理，转化为可解释的文本摘要。在4个国家160个地区的真实电商场景中部署10个月后，EventCast在事件驱动期间相比最优工业基线MAE降低57.0%，MSE降低83.3%。这一框架自2025年3月起已部署于工业生产环境。
核心启示：LLM在销量预测中的最佳角色可能是"事件理解器"而非"数值预测器"------理解"发生了什么事件"比直接预测"数字是多少"更能发挥LLM的优势。
六、概念漂移与在线学习：让模型"活"起来
零售环境的动态性使概念漂移成为持续挑战。2026年的一项研究将在线时序预测中的概念漂移重新定义为两类：
· 周期性漂移（Recurring Drift） ：季节性、周期性变化
· 突发性漂移（Emergent Drift） ：突发事件、政策变化
研究发现，仅关注近期数据的方法在处理周期性漂移时存在系统性局限。
ODGNet通过动态变量关联学习来应对这一挑战，在8个基准数据集上实现了显著的预测误差降低。将"漂移类型"与"应对策略"匹配，是2026年在线学习领域最重要的方法论贡献。
七、多模态预测：从"只看数字"到"看懂世界"
7.1 EMP：零样本时尚销量预测
新品预测的挑战在于无历史数据 + 多模态输入。Park等人（2026）提出的EMP模型通过两阶段架构解决这一问题：
· ERP感知对比学习：用编辑距离与真实惩罚（ERP）检索参考商品
· Transformer编码器-解码器：用傅里叶映射嵌入预测12周销量轨迹
傅里叶映射生成尺度感知嵌入，既保留销量绝对量级，又通过逆映射实现可解释性。在私有和基准数据集上，EMP均取得了超越现有方法的预测精度。
7.2 LiveLens：直播电商的多模态融合
直播电商场景天然多模态------主播表现、商品展示、实时互动共同决定销量。LiveLens提出了一种多模态融合框架，其核心是受行为心理学"峰终定律"启发的SCHA（稀疏内容感知亮点聚合）算法。这一框架专门针对有限数据条件下的鲁棒预测设计，直击直播电商数据稀疏、信号嘈杂的本质挑战。
八、总结：2026年的技术决策框架
技术方向 核心突破 适用场景 成熟度
TimesFM 2.5 零样本预测，免训练 快速启动、无标注数据 ⭐⭐⭐⭐⭐
Moirai MoE 开源基础模型，难预测产品优势显著 多样化产品组合 ⭐⭐⭐⭐⭐
e2eTD 分层概率预测，计算高效 大规模层级零售数据 ⭐⭐⭐⭐
Mamba时空框架 线性复杂度，MAE/RMSE提升25% 供应链、多源异构数据 ⭐⭐⭐⭐
PaDuM CNN+Mamba双流融合 长序列、多尺度预测 ⭐⭐⭐⭐
EventCast LLM事件推理，MAE降低57% 促销季、节假日等事件驱动场景 ⭐⭐⭐⭐⭐
DRUM 长尾需求分解式建模 长尾商品为主的零售商 ⭐⭐⭐⭐
四层XAI框架 LightGBM+SHAP+ICE 需要可解释性的决策场景 ⭐⭐⭐⭐⭐
三条核心建议：
- 如果追求快速上线：TimesFM 2.5或Moirai MoE提供了零样本/少样本的捷径。
- 如果面临长尾难题：DRUM和SPADE-S的思路值得重点关注------这是基础模型尚未充分覆盖的价值洼地。
- 如果被促销/节假日困扰：EventCast的LLM事件推理框架提供了全新的解决思路------让模型"理解"事件，而非仅仅"看见"数字。
2026年的销量预测，已不再是"选哪个模型"的问题，而是 "选哪种范式"的问题。基础模型降低了入门门槛，Mamba突破了效率瓶颈，LLM带来了语义理解能力------三者叠加，正在重新定义销量预测的可能性边界。