销售预估 - 上传销量数据进行短期预测
上传单一日期段的销量表格（含日期），模型将基于历史自回归特征进行多步预测
📖 功能说明
请上传包含下列列的表格（.xlsx 或 .csv）：日期, 商品名称, 销量, 浏览量, 访客数, 收藏数, 加购数, 销售额
系统将使用销量作为影响预测结果的重要因素之一，结合历史自回归特征进行多步预测。
- 表格必须为单一连续日期段，且日期格式建议为 yyyy-mm-dd。
- 上传行数不得少于 7 行（7 天），推荐 ≥ 30 天以获得更稳健的预测。
- 系统会将历史销售作为自回归特征（lag1..lag7、滚动均值）训练模型并做递归多步预测，预测天数等于表格行数。
备注：表格只应包含一个连续日期段内的销售情况（如需对不同时间段或多商品批量预测，请分别提交或使用多商品模式）。
💡 应用场景
适用于电商商品销售预测，帮助商家：
- 基于历史销售数据预测未来销量趋势
- 制定科学的备货和补货计划
- 优化库存管理和资金周转
- 提前应对销售高峰和低谷
- 评估促销活动对销售的影响
📐 计算逻辑
1. 特征工程：
• 自回归特征：lag1~lag7（前1-7天的销售额和销量）
• 滚动均值：7天移动平均销售额和销量
• 销量特征：当前销量数据作为预测因子
2. 模型训练：
• 使用岭回归(Ridge Regression)算法
• 以历史销售数据为目标变量
• 采用自回归特征进行训练
3. 多步预测：
• 递归预测：使用前一步预测结果作为下一预测的输入
• 预测天数 = 历史数据行数
• 保持销量特征不变，预测销售额变化
4. 评估指标：
• MAE（平均绝对误差）：预测值与实际值的平均绝对差
• RMSE（均方根误差）：预测误差的平方根均值
📊 数据示例
| 日期 | 商品名称 | 销量 | 浏览量 | 访客数 | 收藏数 | 加购数 | 销售额 |
|---|---|---|---|---|---|---|---|
| 2024-01-01 | 示例商品A | 50 | 1200 | 800 | 25 | 40 | 2500.00 |
| 2024-01-02 | 示例商品A | 45 | 1100 | 750 | 22 | 38 | 2250.00 |
| 2024-01-03 | 示例商品A | 55 | 1300 | 850 | 28 | 42 | 2750.00 |
