← 算法与模型总览

用途与适用负载

逐棵拟合残差，学习滞后、日历与协变量的非线性关系。可预测均值附近的点值，也可直接训练分位数目标。

历史数据与运行条件

至少 lags + 4×min_samples_leaf + 1 点；direct 模式再增加 horizon−1 点。

输入应是等间隔、无缺口且数值有限的序列。输出保留输入指标单位，例如 CPU 核、内存字节或每秒请求数；采样步长决定步数对应的真实时间。最低样本数仅表示可运行，不代表预测可靠。

支持协变量：使用同一时间网格上的其他指标，特征仅取预测起点之前的值；未来协变量沿用最后观测值，不是假设已知未来业务量。

参数说明

窄屏可左右滑动参数表，查看完整说明。

参数 / 类型默认值 / 范围 / 单位含义与使用
lags
int		必填，无默认值
≥ 1; ≤ 2000; steps		滞后步数，仅使用目标步之前的值。
calendar_features
bool		false
无额外范围限制		是否加入 UTC 日/周周期的正余弦特征。
n_estimators
int		100
≥ 1; ≤ 1000		树的数量。
learning_rate
float		0.1
≥ 0.001; ≤ 1		每棵树的收缩系数。
max_depth
int		3
≥ 1; ≤ 8		单棵树最大深度。
min_samples_leaf
int		5
≥ 1		叶子最少样本数。
objective
string		"squared"
squared / quantile		squared = 平方误差点预测；quantile = alpha 分位数，用于峰值/容量保护，需单独验证覆盖率。
alpha
float		0.9
≥ 0.01; ≤ 0.99		原生分位目标的分位点，仅 objective=quantile 时使用。
training_window_steps
int		5000
≥ 0; steps		只用最近多少个样本训练，限制训练耗时；0 = 全部历史。
covariate_lags
int		3
≥ 1; ≤ 48; steps		输入指标集里每个协变量取最近多少步的值作为特征（仅用目标步之前的值；未来步沿用最后观测值）。没有协变量时忽略。
multi_step
string		"recursive"
recursive / direct		多步预测方式：recursive = 一个模型逐步往前滚，把上一步的预测当下一步的输入（误差会累积，视野越长越向均值收敛）；direct = 每个锚点步长各训练一个模型，直接预测那一步，只用已观测的值，不累积误差，但训练成本约为锚点数倍。
direct_anchors
int		8
≥ 2; ≤ 60		直接多步时有多少个步长拥有自己的模型（从第 1 步到最后一步均匀取点，中间的步长线性插值）；视野不超过它时每一步都有自己的模型。仅 multi_step=direct 时使用。

配置示例

在“算法管理”编辑参数。以下仅为参数对象，不是 config.yaml 全文；周期示例按 5 分钟采样，需按实际步长调整。未列出的可选参数使用上表默认值。

JSON
{
  "lags": 24,
  "n_estimators": 100,
  "learning_rate": 0.1,
  "max_depth": 3,
  "training_window_steps": 5000,
  "multi_step": "recursive",
  "objective": "squared"
}

调参与取舍

learning_rate 越小通常需要更多树。alpha 只在 objective=quantile 时表示分位点，与 EWMA 的 alpha 不同。先单独比较原生分位目标或保形校准，避免无意叠加两层上偏。

通用参数：变化重置与分位校准

参数 / 类型默认值 / 范围 / 单位含义与使用
reset_on_change
bool		false
无额外范围限制		水平突变后重置：检测历史里最后一次水平突变（发布、扩缩容、流量切换），只用突变之后的历史预测。关闭时用全部历史（现状）。突变之后至少要有 6 步才会被确认；突变后的历史不够算法所需时，取算法所需的最新一段。
change_threshold
float		8
≥ 3; ≤ 50		突变阈值：突变幅度（扣除前一段趋势后）超过噪声的多少倍才算，越大越不容易误报，噪声由相邻步变化的稳健标准差估计。仅 reset_on_change=true 时使用。
change_min_shift
float		0.2
≥ 0; ≤ 5		最小突变幅度：突变至少是水平的这个比例（0.2 = 20%），很干净的序列上的微小跳变不算。仅 reset_on_change=true 时使用。
quantile_level
float		0
≥ 0; ≤ 0.99		推荐分位数：0 = 点预测（现状）；0.9 等 = 预测「实际值有约 90% 的把握不超过」的线（保形预测：用本算法在这个负载最近几个窗口里的真实误差校准，需要更多历史和时间）。必须大于 0.5。
calibration_windows
int		8
≥ 3; ≤ 50		校准窗口数：用最近多少个历史窗口测本算法的误差；越多越稳，也越慢（每个窗口多跑一次预测）。仅推荐分位数大于 0 时使用。

quantile_level 是 0～1 的分位点，percentile 是 1～100 的百分数，二者不是同一参数。分位校准会额外运行历史预测；增加校准窗口前检查历史与运行预算，覆盖率是评估目标而非保证。

在模块中使用

  1. 保存参数，检查历史窗口、采样步长和预测范围。
  2. 打开模块的“启用预测”；固定算法只运行指定方法，动态算法使用平台已启用的方法。
  3. 先运行滚动回测，通过版本晋升后才会采用；修改影响模型版本的参数后重新回测。
  4. 在仅观察或仅推荐下检查误差、峰值低估、耗时与采用原因，再分别授权准入和副本执行。

历史不足、参数不合法、运行超时或输出无效时，检查算法运行原因；没有合格预测时按模块的固定周期、兜底与保护规则处理。

回测与效果评估 · 推荐与前瞻决策