商家计划下周增加广告预算时，普通时间序列模型往往仍沿着历史销量往前画线。阿里巴巴、中国科学技术大学、香港科技大学（广州）提出CEDAR，直接学习“当前状态—商家行动—下一状态”的转换，再单独修正节日和热点带来的偏差。
研究使用阿里1688约3200万条商品轨迹，包含状态、行动与外部事件信号，并做了生产环境线上对照实验。离线10周预测中，CEDAR的MSE为0.414；TFT、PatchTST和PETFormer分别为0.722、0.849和0.743。
先学预算怎样推动状态变化
传统做法把广告费、折扣等行动与销量、点击一起拼成协变量，模型容易记住历史策略中的相关性。CEDAR的Action-Interleaved Transformer按状态、行动、下一状态的因果顺序交错输入，让注意力明确对齐一次行动和随后变化。
论文Figure 2：行动交错Transformer先生成基础轨迹，外部事件残差模块再修正预测。
状态包含曝光、点击、收藏与购买等漏斗信号，行动包含折扣和营销支出。给定历史轨迹与未来预算序列，模型逐步滚动出不同方案下的商品状态。这里的“反事实”仍来自观察数据训练，不能替代随机实验中的因果结论。
行动交错还改变了注意力的方向。模型预测下一状态时可以读取此前状态和计划中的下一行动，却不能偷看未来真实销量。训练使用一步预测损失，推演时再把输出放回序列，因此长周期误差是否累积，是检验结构是否稳定的主要问题。
热点和节日交给第二个残差模块
销量还会被节日、新闻和突发热点改变。团队收集上一周新闻，用大模型抽取商品相关关键词，再与节日信号合成文本表示。交叉注意力比较外部事件和商品标题、标签、历史状态，只对基础轨迹的残差做修正。
论文实验图：没有有效行动建模时，多种时间序列基线在5步和10步预测上的误差明显增大。
两阶段分离避免基础动态过度依赖短期热点。作者还尝试独立时间嵌入，但实验表现下降，认为节日信息已由事件模块覆盖，额外时间表示增加了融合难度。
外部文本并非直接决定销量。热点表示先与商品标题、标签和近期状态做交叉注意力，只有与具体商品相关的信号才进入残差。例如同一个节日不会让所有品类等幅变化。这个模块依赖新闻抽取和文本编码质量，错误热点仍可能把残差推向错误方向。
10周预测误差控制在0.414
论文在五次独立运行上报告均值和标准差。预测未来10周时，CEDAR的MSE为0.414±0.015，MAE为0.132±0.002；预测未来5周时，MSE为0.182±0.006，MAE为0.0603±0.001。
论文Figure 1：多种基线随预测步长变化的损失与MSE曲线。
Informer在10周MSE上达到32.2，长滚动迅速发散；Timer-XL为2.98。表格数字支持CEDAR在该工业数据设置下更稳，但数据尚未完整公开，外部团队无法复现1688全部训练与线上条件。
从预算推演走向可审计的商家工具
长预测示例中，CEDAR的轨迹比多种基线更贴近真实变化，论文也报告了线上A/B测试与预算规划效率收益。
论文长周期实验：CEDAR与多种基线在连续预测步上的轨迹对比。
产品化需要向商家显示预测区间、关键事件来源和方案差异，而不是只给一个销量数字。下一步还要公开可脱敏的数据版本，并验证价格、库存和广告行动互相影响时，模型能否保持稳定；当前结论限于1688的预算规划流程。
线上决策还必须设置预算与库存约束。模型可以比较候选方案，却不应在训练分布之外自动放大投入。更可审计的流程是先由商家给出有限方案，CEDAR提供轨迹、置信区间和异常事件解释，再用小流量实验确认。这样能把模拟器的预测价值与真实策略收益分开记录。
参考资料
https://arxiv.org/abs/2608.25871
