线上第四名
较早期的比赛。
对于一个待预测的商品分仓对IS，我们认为，它未来14天的非聚划算支付件数（qty_alipay_njhs，以下简称qan）之和d是随机的，并且符合某种概率分布。假设这种概率分布的概率质量函数为m(x)，当将这个值预测为t时，期望成本为
Ec = Σ(C(t, x) × m(x))
式中C(t,x)表示预测值为t而真实值为x时的成本。我们的目标就是求使这个成本最小时的t。由于我们不知道也无法求出m(x)的具体形式，需要根据IS的历史信息找到合适的函数来作为m(x)的近似表示。
对于待预测的商品分仓对IS，我们选取过去ｒ天的数据，以14天作为一个单位分别求qan和，作为样本。我们用x在样本中出现的频率作为m(x)，来寻找使Ec最小的t。可以证明，此时满足条件的t一定在样本中出现。（当改变m(x)的形式，使得这个结论不成立时，由于最优的t一定在样本的最大值和最小值之间，故可以遍历这个范围内的所有整数，或用一些算法来做更精确的选择）
关于r的选择。我们希望样本数量尽可能地多，但过于久远的数据会和待测时间段的数据差异过大。经过测试，r=28时最好。此时样本数为2。
我们在赛季一前期使用的方法。
在基线一的基础上，为了增加样本数，我们在选取的r天数据中，把每一天的qan乘以14作为一个样本（这样做的前提是我们没有发现数据有明显的周期性）。
我们在赛季一中後末期、赛季二前中期使用的方法。
在基线二的基础上，我们认为，训练序列中，越久远的样本，可信度越小，因而概率越小。因而我们用
（归一化後的）频率 / (s + C)
来作为m(x)。其中，s表示样本到测试集的天数；常数C用来平滑以更好地匹配本赛题数据分布。
我们在赛季二後期使用的方法。
在基线三的基础上，我们改进了基线二中增加样本的思路。以每一天的qan乘以14作为样本，受到的异常值的影响会比较严重。如果以连续几天的qan均值乘以14作为样本，则会减轻受到的异常值的影响，但同时减少了样本数。因而可以考虑将它们融合。
我们以2天为单位，求出每连续2天的平均qan乘以14，作为样本，做出预测；再以3天为单位，求出每3天的平均qan乘以14，作为样本，用同样的方法做出预测……这样，我们分别以1~14天为单位，做出了14组预测，并将它们加权融合。由于单位数越少的，样本数越多，预测得就越准确，因而权值就要越大。我们选用（归一化後的）单位数的倒数作为权值。
我们在赛季二末期对分仓做的优化。
同一件商品，不同的分仓有着类似的趋势。对于某一商品某一分仓，我们用
(该分仓qan + 按比例缩小後的全国qan) / 2
来代替该分仓的qan，这里“按比例缩小”是指将全国qan整体缩小到平均值和该分仓的平均值相等。此时，我们做出的预测受该分仓的异常值的影响会很小。
我们在赛季二末期对整体异常做的优化。
双十一双十二节日都是比较特殊的日子，这些日子所有商品整体都有异常。为了去除这类异常对预测造成的影响，对于某一天某一个IS对，我们用
qan / 归一化後的当天所有商品全国总qan
来代替qan。
我们在赛季二末期对基线二中的常数Ｃ做的优化。
根据对一些IS对历史数据的观察的结果，我们认为，对于一个IS对，历史数据整体波动较小时，可以偏重较近的样本；而整体波动较大时，应该减轻这种偏重，即调整基线二中的C。
以上每一步改进，我们实现後，线下和线上都分别取得了一定的效果，从而验证了我们的想法。
本算法的主要优势：简单（思路简单，理解简单）、高效（开发高效，运行速度快）、极强的可解释性（逻辑清晰，每一步紧扣目标做设计）。