贝氏理论和动态线性模型概述

贝氏理论用于需求规划，适用于 “BATS” 类型的预测引擎。

贝氏方法是由托马斯·贝叶斯牧师在 200 多年前发明的。贝叶斯的精髓是如何根据新证据来修改结果中的某个想法：“想法”和“证据”可能是基于硬事实，但也可能是基于更主观的看法。后一概念与科学界格格不入，但却非常类似于现实世界中的情况：如果没有主观输入，我们便无法回答“我们下个月将会卖出多少套新口味的快餐”这样的问题。

动态线性模型是一种算术结构，用于对时间系列进行建模以及对主观输入进行合并和量化。DLM 的优势是，它是现有技术的超集合，并进行了结构化，以便从开始便支持贝氏概念。

贝氏理论在基本级别上描述了某一事件的发生如何改变另一事件的发生几率。对于具有硬证据的情况，很容易看到如何应用这一理论，例如，假设已拿掉了 3 张梅花、红桃 A 和 6 张黑桃，从一副牌中获得 A 的概率有多大？

但是，有另一种更强大的方法来解释贝氏理论。初始理论中的“看法”（例如，可以卖出多少套新口味快餐）首先受到上次开始的新口味所产生的结果的影响。随着产品不断推出，随后也会受到之前销售数字的影响。贝氏理论随后变为一个诀窍，强调必须如何根据新证据来更新原始的、之前的看法。

例如，假设一位研究人员在进行一项实验，在此实验中，该研究人员意识到，结果受众多现有替代方法中的优先项影响。尽管该研究人员不确定哪个替代方法将最终胜出，但他拥有一些信息，可以进行关于替代方法的概率的主观判断。因此，该研究人员在获得实验证据之前为所有替代方法分配概率。

由于这些概率主要影响实际结果之前研究人员的判断，因此被称为先验概率。现在，研究人员能够通过收集一组数据来获取实验证据，从而可计算条件概率。由于这些概率是在获得实验证据之后确定的，因此被称为后验概率。