科技功能性面料销量预测算法 —— 恒温 / 防水 / 抗菌分场景季节预估

一、实际应用场景描述

在《时尚产业与品牌创新》课程中，科技功能性面料（Technical Functional Fabrics）是近年来的核心议题之一：

- 恒温面料（相变材料 PCM / 石墨烯复合）：户外品牌、都市通勤轻量化外套

- 防水面料（ePTFE 膜 / PU 涂层）：硬壳冲锋衣、雨靴、户外包袋

- 抗菌面料（银离子 / 铜纤维 / 竹炭复合）：运动内衣、瑜伽服、鞋垫、医疗工装

这三类面料有一个共同特征：销量高度依赖季节与场景，与纯时尚面料的"流行驱动"逻辑完全不同。

一个典型的品牌决策场景：

采购部问：下个冬季，恒温内衬面料要备多少卷？

销售部问：抗菌运动面料的春夏销量能到多少？

老板问：防水面料的秋季销量峰值在哪个月？

如果没有量化模型，答案通常是"去年差不多""凭经验估一下"——这就是痛点所在。

二、引入痛点

2.1 行业现状问题

痛点 具体表现 后果

经验拍脑袋 "去年卖了 3000 米，今年估 3500" 偏差 30%~50% 很常见

季节归因缺失 只看过年总量，不看月度分布 备货集中在错误月份

场景混为一谈 户外运动 / 都市通勤 / 工装 共用一条曲线 不同场景峰谷完全不同

功能性衰减忽略 抗菌有效期、防水涂层寿命未纳入 复购周期预测失真

无法做敏感性测试 暖冬 / 寒冬、多雨 / 少雨怎么影响？ 缺乏风险预案

2.2 一个真实感模拟

品牌 A 的预测（纯经验）：

冬季恒温面料：预估 5000 米

实际：暖冬，仅售出 3200 米

结果：库存积压 → 折价 40% 清仓 → 吞噬全年利润

核心矛盾：功能性面料的销量不是"匀速增长曲线"，而是受温度、降水、场景活动强度三重驱动的脉冲式分布。

三、核心逻辑讲解

3.1 整体架构

输入层 计算层 输出层

┌─────────────────┐ ┌──────────────────┐ ┌──────────────────┐

│ 面料类型 │ │ 季节基准系数 │ │ 月度销量预测 │

│ 应用场景 │ → │ 场景修正系数 │ → │ 季度总量预测 │

│ 历史基准销量 │ │ 温度敏感系数 │ │ 峰值月份识别 │

│ 温度/降水数据 │ │ 降水敏感系数 │ │ 敏感性分析 │

│ 功能衰减参数 │ │ 功能衰减因子 │ │ 置信区间 │

└─────────────────┘ └──────────────────┘ └──────────────────┘

3.2 核心公式体系

① 月度基础预测

月销量 = 年基准销量 × 月份季节系数 × 场景权重

② 天气修正（关键差异化因子）

恒温面料：温度修正 = 1 + α × |月均温 − 舒适温度| × 方向系数

防水面料：降水修正 = 1 + β × (月降水量 − 基准降水)

抗菌面料：温度修正 = 1 + γ × (月均温 − 基准温度) （高温促运动出汗）

③ 功能衰减（复购周期）

有效需求 = 基础需求 × (1 − 衰减率)^月份

衰减率 = 1 − e^(−k × 使用强度)

④ 场景叠加

都市通勤场景：工作日权重高

户外运动场景：周末+节假日权重高

工装场景：无季节性，全年均匀

四、项目结构

fabric_sales_forecast/

├── config.py # 常量配置（面料参数/场景定义/季节系数）

├── data_models.py # 数据模型（面料/场景/历史数据）

├── season_engine.py # 季节系数引擎（月度分布/天气修正）

├── forecast_engine.py # 预测引擎（核心算法）

├── scenario_analyzer.py # 场景分析器（多场景对比）

├── sensitivity.py # 敏感性分析模块

├── report.py # 报告生成（控制台表格 + 简单可视化）

├── main.py # 主程序入口（含完整示例）

├── README.md # 项目说明

└── requirements.txt # 依赖声明

五、代码模块化实现

"requirements.txt"

# 核心依赖

numpy>=1.24.0

# 可视化（可选，不装也能跑基础功能）

matplotlib>=3.7.0

# 数据导出（可选）

# pandas>=2.0.0

"config.py"

#!/usr/bin/env python3

# -*- coding: utf-8 -*-

"""

config.py

常量配置中心：面料参数、场景定义、月份基准系数

所有"经验参数"集中管理，修改一处全局生效

"""

from typing import Dict, List

import numpy as np

# ========== 月份列表（中文） ==========

MONTHS_CN = [

"1月", "2月", "3月", "4月", "5月", "6月",

"7月", "8月", "9月", "10月", "11月", "12月",

]

# ========== 面料类型枚举 ==========

FABRIC_THERMO = "thermo" # 恒温（相变/石墨烯）

FABRIC_WATERPROOF = "waterproof" # 防水（ePTFE/PU涂层）

FABRIC_ANTIBACTERIAL = "antibacterial" # 抗菌（银离子/铜纤维）

FABRIC_TYPES = [FABRIC_THERMO, FABRIC_WATERPROOF, FABRIC_ANTIBACTERIAL]

# ========== 应用场景枚举 ==========

SCENE_OUTDOOR = "outdoor" # 户外运动（登山/徒步/露营）

SCENE_URBAN = "urban" # 都市通勤

SCENE_WORKWEAR = "workwear" # 工装/医疗/军警

SCENE_SPORTS = "sports" # 运动健身（瑜伽/跑步）

SCENE_LEISURE = "leisure" # 休闲旅行

SCENE_TYPES = [SCENE_OUTDOOR, SCENE_URBAN, SCENE_WORKWEAR, SCENE_SPORTS, SCENE_LEISURE]

# ========== 季节基准系数（月度分布，全年之和=1） ==========

# 基于中国中东部气候的典型功能性面料需求分布

SEASON_COEFFICIENTS = {

# 恒温面料：10~3月为旺季（秋冬保暖需求），峰值为12月、1月

FABRIC_THERMO: np.array([

0.14, 0.10, 0.06, 0.03, 0.02, 0.01, # 1-6月

0.01, 0.02, 0.06, 0.12, 0.18, 0.25, # 7-12月

]),

# 防水面料：6~9月雨季旺季，峰值为7月、8月

FABRIC_WATERPROOF: np.array([

0.04, 0.04, 0.06, 0.08, 0.10, 0.16, # 1-6月

0.22, 0.18, 0.08, 0.04, 0.04, 0.06, # 7-12月

]),

# 抗菌面料：4~10月运动季旺季（高温促出汗），峰值为6月、7月

FABRIC_ANTIBACTERIAL: np.array([

0.05, 0.05, 0.07, 0.09, 0.12, 0.14, # 1-6月

0.14, 0.12, 0.10, 0.07, 0.05, 0.05, # 7-12月

]),

}

# ========== 场景权重系数（对月度分布的形状修正） ==========

# 值 > 1 表示该场景下该月份需求放大，< 1 表示缩小

SCENE_MONTH_MODIFIERS = {

SCENE_OUTDOOR: np.array([

0.8, 0.7, 1.0, 1.3, 1.5, 1.6, # 春秋户外黄金期

1.5, 1.3, 1.5, 1.3, 0.9, 0.8, # 秋季也是户外旺季

]),

SCENE_URBAN: np.array([

1.2, 1.1, 1.0, 0.9, 0.8, 0.8, # 夏季通勤需求略降（短途多）

0.9, 1.0, 1.1, 1.2, 1.3, 1.3, # 秋冬通勤高峰

]),

SCENE_WORKWEAR: np.array([

1.0, 0.9, 1.0, 1.0, 1.0, 1.0, # 工装全年均匀

1.0, 1.0, 1.0, 1.0, 1.0, 1.0,

]),

SCENE_SPORTS: np.array([

0.7, 0.8, 1.1, 1.3, 1.5, 1.6, # 春夏运动高峰

1.5, 1.3, 1.2, 0.9, 0.7, 0.6, # 秋季尚可，冬季下降

]),

SCENE_LEISURE: np.array([

0.6, 0.8, 1.2, 1.4, 1.5, 1.5, # 春夏旅行旺季

1.4, 1.2, 1.3, 1.1, 0.8, 0.7, # 国庆旅行小高峰

]),

}

# ========== 天气敏感系数 ==========

# α/β/γ：每单位天气变化对销量的影响强度

WEATHER_SENSITIVITY = {

FABRIC_THERMO: {

"temp_coef": 0.08, # 温度每偏离舒适区1°C，销量变化8%

"comfort_temp": 15.0, # 恒温面料舒适温度（°C）

"direction": "colder", # 越冷需求越高（也可设 "warmer" 或 "both"）

},

FABRIC_WATERPROOF: {

"rain_coef": 0.12, # 降水每超基准10mm，销量变化12%

"base_rainfall": 80.0, # 基准月降水（mm）

},

FABRIC_ANTIBACTERIAL: {

"temp_coef": 0.05, # 温度每升高1°C，运动出汗需求增5%

"comfort_temp": 25.0, # 适宜运动温度

"direction": "warmer",

},

}

# ========== 功能衰减参数 ==========

# 功能性面料的效果随时间/洗涤递减，影响复购周期

DECAY_PARAMS = {

FABRIC_THERMO: {

"decay_rate": 0.03, # 每月性能衰减3%（相变材料循环老化）

"wash_accelerator": 0.15, # 每次洗涤额外加速15%

"typical_washes_per_month": 4, # 月均洗涤次数

},

FABRIC_WATERPROOF: {

"decay_rate": 0.02, # 每月2%（涂层缓慢老化）

"wash_accelerator": 0.10, # 洗涤加速10%

"typical_washes_per_month": 3,

},

FABRIC_ANTIBACTERIAL: {

"decay_rate": 0.05, # 每月5%（银离子缓释消耗）

"wash_accelerator": 0.20, # 洗涤加速20%（抗菌层最怕水洗）

"typical_washes_per_month": 6, # 运动面料洗得更勤

},

}

# ========== 月份天气基准数据（中国中东部平均，可替换） ==========

# 格式：{月份索引(0-11): (平均温度°C, 平均降水量mm)}

MONTHLY_WEATHER_BASE = {

0: (3.0, 35), # 1月

1: (5.0, 45), # 2月

2: (10.0, 60), # 3月

3: (16.0, 85), # 4月

4: (21.0, 110), # 5月

5: (25.0, 160), # 6月

6: (28.0, 200), # 7月

7: (27.0, 175), # 8月

8: (23.0, 120), # 9月

9: (17.0, 70), # 10月

10: (10.0, 50), # 11月

11: (4.0, 30), # 12月

}

"data_models.py"

#!/usr/bin/env python3

# -*- coding: utf-8 -*-

"""

data_models.py

数据模型层：面料定义、场景绑定、历史销售数据

"""

from dataclasses import dataclass, field

from typing import Dict, Optional, List

import numpy as np

@dataclass

class Fabric:

"""

功能性面料定义

"""

fabric_id: str # 面料编号，如 "FM-THERMO-001"

fabric_type: str # 类型：thermo / waterproof / antibacterial

name: str # 面料名称

annual_base_sales: float # 年基准销量（米 / 件，视粒度而定）

unit: str = "米" # 计量单位

def __post_init__(self):

if self.fabric_type not in ["thermo", "waterproof", "antibacterial"]:

raise ValueError(f"未知面料类型: {self.fabric_type}")

if self.annual_base_sales < 0:

raise ValueError("年基准销量不能为负")

@dataclass

class SceneBinding:

"""

面料 × 场景绑定关系

一款面料可绑定多个场景，每个场景有权重

"""

fabric_id: str

scene: str # outdoor / urban / workwear / sports / leisure

weight: float = 1.0 # 该场景在总销量中的权重占比

def __post_init__(self):

if self.weight < 0:

raise ValueError("场景权重不能为负")

@dataclass

class HistoricalData:

"""

历史月度销量数据（用于校准和对比）

如果某月无数据，值为 None

"""

fabric_id: str

monthly_sales: Dict[int, Optional[float]] # {0: 1200, 1: 1350, ..., 11: 980}

year: int = 2024

def get_array(self) -> np.ndarray:

"""转为12个月的数组，无数据月份填 NaN"""

arr = np.full(12, np.nan)

for m, v in self.monthly_sales.items():

if 0 <= m <= 11:

arr[m] = v if v is not None else np.nan

return arr

def has_data(self, month: int) -> bool:

return month in self.monthly_sales and self.monthly_sales[month] is not None

"season_engine.py"

#!/usr/bin/env python3

# -*- coding: utf-8 -*-

"""

season_engine.py

季节系数引擎：生成月度季节分布 + 天气修正

"""

import numpy as np

from typing import Dict, Tuple

from config import (

SEASON_COEFFICIENTS,

SCENE_MONTH_MODIFIERS,

WEATHER_SENSITIVITY,

MONTHLY_WEATHER_BASE,

)

class SeasonEngine:

"""

季节系数引擎

职责：

1. 根据面料类型生成基础月度分布

2. 叠加场景修正

3. 叠加天气敏感修正

4. 输出最终月度系数（12个月，和为1）

"""

def __init__(

self,

fabric_type: str,

scenes: Dict[str, float],

weather_override: Optional[Dict[int, Tuple[float, float]]] = None,

):

"""

Args:

fabric_type: 面料类型

scenes: {场景: 权重} 字典，权重和为1

weather_override: 自定义天气数据 {月份: (温度, 降水)}

"""

self.fabric_type = fabric_type

self.scenes = scenes

self.weather = weather_override or MONTHLY_WEATHER_BASE

# 校验

if fabric_type not in SEASON_COEFFICIENTS:

raise ValueError(f"未注册的面料类型: {fabric_type}")

for s in scenes:

if s not in SCENE_MONTH_MODIFIERS:

raise ValueError(f"未注册的场景: {s}")

def base_season_curve(self) -> np.ndarray:

"""基础季节系数（未叠加场景和天气）"""

return SEASON_COEFFICIENTS[self.fabric_type].copy()

def scene_adjusted_curve(self) -> np.ndarray:

"""

叠加场景修正后的月度系数

公式：season_coef(m) = base_coef(m) × Σ(scene_weight × scene_modifier(m))

"""

base = self.base_season_curve()

scene_sum = np.zeros(12)

for scene, weight in self.scenes.items():

scene_sum += weight * SCENE_MONTH_MODIFIERS[scene]

# 归一化场景修正（保持总量不变）

scene_sum = scene_sum / scene_sum.mean() if scene_sum.mean() > 0 else np.ones(12)

return base * scene_sum

def weather_adjusted_curve(self) -> np.ndarray:

"""

叠加天气敏感修正

不同面料对天气的响应函数不同

"""

base = self.scene_adjusted_curve()

weather_params = WEATHER_SENSITIVITY.get(self.fabric_type, {})

if self.fabric_type == "thermo":

return self._apply_thermo_weather(base, weather_params)

elif self.fabric_type == "waterproof":

return self._apply_waterproof_weather(base, weather_params)

elif self.fabric_type == "antibacterial":

return self._apply_antibacterial_weather(base, weather_params)

return base

def _apply_thermo_weather(self, base: np.ndarray, params: dict) -> np.ndarray:

"""恒温面料：温度越低 → 需求越高"""

alpha = params.get("temp_coef", 0.08)

t_comfort = params.get("comfort_temp", 15.0)

direction = params.get("direction", "colder")

修正 = np.ones(12)

for m in range(12):

temp, _ = self.weather[m]

if direction == "colder":

# 越冷越需求高 → 温度低于舒适温度时放大

if temp < t_comfort:

修正[m] = 1 + alpha * (t_comfort - temp)

else:

修正[m] = 1 - alpha * 0.3 * (temp - t_comfort)

else:

diff = abs(temp - t_comfort)

修正[m] = 1 + alpha * diff

return base * 修正

def _apply_waterproof_weather(self, base: np.ndarray, params: dict) -> np.ndarray:

"""防水面料：降水越多 → 需求越高"""

beta = params.get("rain_coef", 0.12)

base_rain = params.get("base_rainfall", 80.0)

修正 = np.ones(12)

for m in range(12):

_, rain = self.weather[m]

修正[m] = 1 + beta * (rain - base_rain) / 100.0

return base * 修正

def _apply_antibacterial_weather(self, base: np.ndarray, params: dict) -> np.ndarray:

"""抗菌面料：温度越高 → 运动出汗越多 → 需求越高"""

gamma = params.get("temp_coef", 0.05)

t_comfort = params.get("comfort_temp", 25.0)

修正 = np.ones(12)

for m in range(12):

temp, _ = self.weather[m]

if temp > t_comfort:

修正[m] = 1 + gamma * (temp - t_comfort)

else:

修正[m] = 1 - gamma * 0.3 * (t_comfort - temp)

return base * 修正

def final_coefficients(self) -> np.ndarray:

"""

最终月度系数（经过场景+天气修正）

保证12个月系数之和 = 1

"""

raw = self.weather_adjusted_curve()

total = raw.sum()

if total > 0:

return raw / total

return raw

def describe(self) -> Dict:

"""返回各阶段系数，用于调试和展示"""

base = self.base_season_curve()

scene = self.scene_adjusted_curve()

weather = self.weather_adjusted_curve()

final = self.final_coefficients()

return {

"base_sum": round(base.sum(), 4),

"scene_sum": round(scene.sum(), 4),

"weather_sum": round(weather.sum(), 4),

"final_sum": round(final.sum(), 4),

"peak_month": int(np.argmax(final)) + 1,

"peak_value": round(float(final.max()), 4),

"trough_month": int(np.argmin(final)) + 1,

"trough_value": round(float(final.min()), 4),

}

"forecast_engine.py"

#!/usr/bin/env python3

# -*- coding: utf-8 -*-

"""

forecast_engine.py

预测引擎：整合季节系数 + 功能衰减 + 历史校准，输出月度/季度预测

"""

import numpy as np

from typing import Dict, Optional, Tuple

from config import DECAY_PARAMS

from data_models import Fabric, HistoricalData

from season_engine import SeasonEngine

class ForecastEngine:

"""

功能性面料销量预测引擎

核心方法：

- predict_monthly: 预测指定年份的12个月销量

- predict_quarterly: 按季度汇总

- apply_decay: 叠加功能衰减效应

- calibrate_with_history: 用历史数据校准预测

"""

def __init__(self, fabric: Fabric, season_engine: SeasonEngine):

self.fabric = fabric

self.season_engine = season_engine

self.monthly_coefficients = season_engine.final_coefficients()

def predict_monthly(

self,

year: int = 2025,

apply_decay: bool = True,

growth_rate: float = 0.0,

) -> np.ndarray:

"""

预测指定年份的月度销量

Args:

year: 预测年份

apply_decay: 是否叠加功能衰减

growth_rate: 年同比增长率（如 0.15 表示增长15%）

Returns:

12个月的预测销量数组

"""

base_annual = self.fabric.annual_base_sales * (1 + growth_rate)

monthly = base_annual * self.monthly_coefficients

if apply_decay:

monthly = self._apply_decay(monthly)

return monthly

def _apply_decay(self, monthly: np.ndarray) -> np.ndarray:

"""

叠加功能性衰减效应

模拟已购买用户的面料性能递减 → 复购需求渐进释放

使用指数衰减模型：

decay_factor(m) = (1 − decay_rate) ^ m × (1 − wash_accel) ^ (washes_per_month × m)

"""

params = DECAY_PARAMS.get(self.fabric.fabric_type, {})

if not params:

return monthly

decay_rate = params.get("decay_rate", 0.0)

wash_accel = params.get("wash_accelerator", 0.0)

washes = params.get("typical_washes_per_month", 0)

result = np.zeros(12)

for m in range(12):

# 时间衰减

time_factor = (1 - decay_rate) ** m

# 洗涤加速衰减

wash_factor = (1 - wash_accel) ** (washes * m)

combined = time_factor * wash_factor

# 衰减作用于"存量用户复购释放"，简化处理：

# 第m月的实际系数 = 基础系数 × (1 − 衰减释放比例)

# 即：越往后，新用户占比越低，复购用户贡献递增

result[m] = monthly[m] * (1 + 0.15 * (1 - combined))

return result

def predict_quarterly(self, monthly: np.ndarray) -> Dict[str, float]:

"""按季度汇总"""

return {

"Q1 (1-3月)": round(float(monthly[0:3].sum()), 2),

"Q2 (4-6月)": round(float(monthly[3:6].sum()), 2),

"Q3 (7-9月)": round(float(monthly[6:9].sum()), 2),

"Q4 (10-12月)": round(float(monthly[9:12].sum()), 2),

"全年合计": round(float(monthly.sum()), 2),

}

def predict_seasonal(self, monthly: np.ndarray) -> Dict[str, float]:

"""按冬/春/夏/秋四季汇总"""

return {

"冬季(12-2月)": round(float(monthly[[11, 0, 1]].sum()), 2),

"春季(3-5月)": round(float(monthly[2:5].sum()), 2),

"夏季(6-8月)": round(float(monthly[5:8].sum()), 2),

"秋季(9-11月)": round(float(monthly[8:11].sum()), 2),

}

def calibrate_with_history(

self,

monthly: np.ndarray,

history: HistoricalData,

) -> Tuple[np.ndarray, Dict]:

"""

用历史数据校准预测

方法：对历史有数据的月份，计算预测/实际比值，

用该比值修正未来月份

Returns:

(校准后月度数组, 校准统计信息)

"""

actual = history.get_array()

has_data = ~np.isnan(actual)

if has_data.sum() == 0:

return monthly, {"status": "无历史数据，跳过校准"}

# 计算有数据月份的平均偏差

ratio = np.where(has_data, actual / np.where(monthly > 0, monthly, np.nan), np.nan)

valid_ratios = ratio[~np.isnan(ratio)]

if len(valid_ratios) == 0:

return monthly, {"status": "有效数据不足"}

avg_ratio = np.nanmean(valid_ratios)

# 用平均偏差修正未来月份（无数据月份）

calibrated = monthly.copy()

for m in range(12):

if not has_data[m]:

calibrated[m] *= avg_ratio

stats = {

"status": "已校准",

"历史数据月份数": int(has_data.sum()),

"平均修正系数": round(float(avg_ratio), 3),

"修正方向": "上调" if avg_ratio > 1 else "下调" if avg_ratio < 1 else "不变",

}

return calibrated, stats

def peak_analysis(self, monthly: np.ndarray) -> Dict:

"""峰值分析：找出旺季月份、集中度等"""

total = monthly.sum()

if total == 0:

return {"error": "总销量为零"}

# 累计占比

cumsum = np.cumsum(monthly / total)

# 达到50%销量所需的月份数

months_to_half = int(np.argmax(cumsum >= 0.5)) + 1

# 旺季月份（单月占比 > 8.33% 即超过均匀分布的月份）

peak_months = [int(m + 1) for m in range(12) if monthly[m] / total > 0.10]

# 集中度指数（赫芬达尔指数变体）

concentration = float(np.sum((monthly / total) ** 2))

return {

"峰值月份": int(np.argmax(monthly)) + 1,

"峰值占比": round(float(monthly.max() / total * 100), 1),

"旺季月份(>10%)": peak_months,

"达到50%销量所需月份": months_to_half,

"集中度指数": round(concentration, 3),

"均匀度评估": "高度集中" if concentration > 0.15 else "分布较均匀",

}

"scenario_analyzer.py"

#!/usr/bin/env python3

# -*- coding: utf-8 -*-

"""

scenario_analyzer.py

场景分析器：多场景对比、面料间横向对比

"""

import numpy as np

from typing import List, Dict

from data_models import Fabric, SceneBinding

from season_engine import SeasonEngine

from forecast_engine import ForecastEngine

class ScenarioAnalyzer:

"""

多场景对比分析器

支持：

- 同一面料在不同场景组合下的销量分布对比

- 三种面料在同一场景下的竞争力对比

- 生成对比矩阵

"""

@staticmethod

def compare_scenes(

fabric: Fabric,

scene_configs: List[Dict[str, float]],

year: int = 2025,

) -> Dict:

"""

对比同一面料在不同场景配置下的预测结果

Args:

fabric: 面料对象

scene_configs: 场景配置列表，每个元素是 {场景: 权重} 字典

year: 预测年份

Returns:

对比结果字典

"""

results = {}

for i, scenes in enumerate(scene_configs):

engine = SeasonEngine(fabric.fabric_type, scenes)

forecast = ForecastEngine(fabric, engine)

monthly = forecast.predict_monthly(year)

label = f"配置{i+1}: " + ", ".join(f"{s}({w})" for s, w in scenes.items())

results[label] = {

"月度销量": [round(float(v), 1) for v in monthly],

"季度汇总": forecast.predict_quarterly(monthly),

"峰值月份": int(np.argmax(monthly)) + 1,

"峰值销量": round(float(monthly.max()), 1),

"年总量": round(float(monthly.sum()), 1),

}

return results

@staticmethod

def compare_fabrics(

fabrics: List[Fabric],

common_scenes: Dict[str, float],

year: int = 2025,

) -> Dict:

"""

对比多种面料在同一场景下的预测结果

Args:

fabrics: 面料列表

common_scenes: 统一场景配置

year: 预测年份

Returns:

对比结果字典

"""

results = {}

for f in fabrics:

engine = SeasonEngine(f.fabric_type, common_scenes)

forecast = ForecastEngine(f, engine)

monthly = forecast.predict_monthly

利用AI解决实际问题，如果你觉得这个工具好用，欢迎关注长安牧笛！