您要求对该概念进行一般性解释。您对三个聚合级别的当前预测状态的评论已失效！我的回答可能无法准确处理您的某些特定兴趣，因为您专注于一些分心的事情，但我认为我会与您分享以下内容。我被要求讨论我帮助编写的软件如何处理和适应每月、每周和每日的预测。
我的回答分为三个部分： A. 对每周与每月的总体评论 B. 将每月预测解析为每日的论点；使用简单的比率 C. 反对 #2 的论点以及将每日预测直接开发然后用于进行每周和/或每月的预测。
回应 A)
每月：
优势 – 计算速度快、建模更容易、更容易识别趋势变化、更适合战略性长期预测
缺点——如果您需要计划每日的产能、人员和产品损坏水平，那么更高水平的预测将无助于了解每日需求，因为 1/30 的日粮估计显然是不够的。
频繁变化的因果变量（即每天/每周 - 价格、促销）不容易整合到月度分析中
整合季度失业等宏观经济变量需要创建样条曲线的额外步骤。
每周：
优势 – 当您无法处理日常建模过程时，您可以“解决”这个问题。当您有非常系统的周期性循环时，例如遵循刚性曲线且不需要一周中的某天变化的“北极冰层范围”。
缺点 – 像感恩节、复活节、斋月、农历新年这样的浮动假期每年都会发生变化，并且会扰乱对一年中一周影响的系数的估计，可以通过为每个假期创建一个变量来处理这些影响。
由于每年没有 52 周，一年中的周数可能会发生变化并产生统计问题。我们已经看到需要将第 53 周分配给“非玩家”周，以使数据成为标准的 52 周周期，这是可行的，但与日常数据相比具有破坏性。
频繁变化的因果变量（即每天/每周 - 价格、促销）不容易整合到月度分析中
整合季度失业等宏观经济变量需要创建样条曲线的额外步骤。
回应B）（半开玩笑的回答）
假设您在数据仓库中拥有每日数据，并且您希望根据每月预测进行每日开发。
我会按以下方式进行每月预测并将其划分为每日。
- 从历史数据库计算每日平均值，因此 D1,D2,….D7 平均值是已知的，将被使用我将计算总体平均值 (XBAR) 并计算 7 个指数 I1=D1/XBAR ；I2=D2/XBAR .... I7=D7/XBAR 因此 7 I 代表百分比，即
.9,1,2,…..8 例如。
然后，我将使用适当的 I 值计算当月 DAY1 的预测，并得到 [1/30]*Monthly forecast*I ，基本上将基线每日预测调整为每月预期的 1/30。
最后，我会将这些每日预测标准化，以便它们添加到每月预测中。
回应 C)
我还应该补充一点，我在 (B) 中列出的程序受制于一些关于历史数据的假设，我认为其中大部分是不切实际的：
1) 没有趋势，也没有水平变化。2) 没有 PULSES（一次异常值） 3) 没有假日效应或月中的特殊日子效应或月中的特殊周效应或月初/月末效应 4) 没有季节性影响（每月或每周） 5) 随着时间的推移，每周平均数没有变化 6) 没有自回归结构
7) 模型参数或误差随时间变化没有变化。
所有这些考虑都表明，应该在日常层面开发模型，以便尽快提供信息。
希望这可以帮助 ！