（指数平滑、ARIMA、Holt-Winters），1. 准确性：低，2. 稳定性：高，3. 可调整性： 低（后处理），4. 可解释性：高（逻辑易于理解），5. 执行效率：低（针对单条时序）。应用局限：后处理（规则）工作重。技术局限：难以拟合脉冲性波动；无法灵活引入海量协变量（特征）信息；无法描述复杂的交叉影响。

（GBDT/XGB/LGB、随机森林、SVR），1. 准确性：较高，2. 稳定性：适中，3. 可调整性： 中（特征工程 + 调超参），4. 可解释性：低（黑盒算法，只能解释输入输出），5. 执行效率：高（可批量训练/预测）。应用局限：调超参纯靠体力、算力；特征工程强依赖人工判断、业务理解、数据探查、写SQL能力。技术局限：时序特征提取；类别变量的编码；损失函数选择有限；端到端学习能力有限；训练策略难以定制。

（CNN，RNN，Attention），前景：轻松克服左边的全部技术局限；深度学习在CV、NLP、搜索&推荐&广告等领域先后取得颠覆性突破。1. 准确性：较高，2. 稳定性：适中，3. 可调整性： 高 （特征、超参、模型结构、训练策略），4. 可解释性：低（黑盒算法，只能解释输入输出），5. 执行效率：低（模型较重，GPU训练成本较高），应用局限：炼丹工作重，训练时间长，摸索成本高，技术局限：模型重，数据量要求高；时序针对性低。

业界算法专家搭建一套业务场景强相关的高精度时序预测系统，耗时约3-6个月

通过AutoML技术降低机器学习各环节人工介入成本，以自动化、准确率提升为最终目标

世界最具影响力的预测竞赛，全球5000+支队伍参赛M5。Falcon纯深度学习算法相关指标达到前1%（回测）。

气候时序预测大赛：全球2849支队伍参赛，覆盖全球近400所高校、96家企业。阿里参赛预测算法较Nature最新论文成果预报准确率提升约7%。

电力负荷预测大赛：有法国电力公司、广东电网公司等多家专业电力行业企业参赛，考察算法对疫情后电力负荷随时间连续变化的适应度。

致力于利用人工智能技术对海量数据处理、分析、挖掘，提取数据中有价值的信息和知识，生成对未来的精准预测

与业务场景融合，快速构建出符合自身业务特点的自动预测系统。异常自动识别，业务事件可编辑、可调节，业务事件对预测可解释。

结合实际数据与业务场景，定义多个场景的预测验证与比较，选择最佳的预测模型。时间粒度：日粒度/月粒度，主键粒度：店铺、区域，准确率指标：WMAPE准确率、WMinMax准确率、达成率、自定义。